공간-시간 정체성: 다변량 시계열 예측을 위한 단순하면서도 효과적인 베이스라인

다변량 시계열(Multivariate Time Series, MTS) 예측은 다양한 응용 분야에서 핵심적인 역할을 수행한다. 최근 들어 공간-시간 그래프 신경망(Spatial-Temporal Graph Neural Networks, STGNNs)은 뛰어난 성능을 보이며 MTS 예측 방법으로 점차 인기를 끌고 있다. 그러나 최근 연구들은 점점 더 복잡해지면서 성능 향상은 제한적이다. 이러한 현상은 MTS 예측의 핵심 요인을 탐구하고, STGNNs만큼 강력하지만 더 간결하고 효율적인 모델을 설계할 필요성을 제기한다. 본 논문에서는 공간적 및 시간적 차원에서 샘플 간 구분 불가능성(indistinguishability)이 주요한 성능 저하 요인임을 규명하고, 공간-시간 정체성(Spatial and Temporal Identity, STID) 정보를 추가함으로써 단순한 다층 퍼셉트론(Multi-Layer Perceptrons, MLPs) 기반의 간단하면서도 효과적인 기준 모델(baseline)을 제안한다. 제안된 방법은 단순한 MLP 구조를 기반으로 하면서도 최고의 성능과 효율성을 동시에 달성하였다. 이러한 결과는 STGNNs에 국한되지 않고, 샘플의 구분 불가능성 문제를 해결하는 것만으로도 효율적이고 효과적인 모델을 설계할 수 있음을 시사한다.