구조적 구성요소의 분리: 적응형이고 해석 가능하며 확장 가능한 시계열 예측을 위한 노력

다변량 시계열(MTS) 예측은 다양한 실제 응용 분야에서 핵심적이고 기초적인 문제이다. MTS 예측의 핵심 과제는 복잡한 공간-시계열 패턴을 효과적으로 모델링하는 것이다. 본 논문에서는 각 공간-시계열 패턴의 구성 요소를 개별적으로 모델링함으로써 이를 해결하는 적응형, 해석 가능하고 확장 가능한 예측 프레임워크를 제안한다. 이 프레임워크를 'SCNN(Structured Component-based Neural Network)'이라 명명한다. SCNN은 MTS의 사전 정의된 생성 과정을 기반으로 작동하며, 이 과정은 공간-시계열 패턴의 은닉 구조를 산술적으로 특성화한다. 이 생성 과정의 역과정에 따라 SCNN은 MTS 데이터를 구조적이고 이질적인 구성 요소들로 분해한 후, 각 구성 요소의 진화를 별도로 외삽한다. 이러한 구성 요소들의 동역학은 원래의 MTS보다 더 추적 가능하고 예측 가능하다. 다양한 실험을 통해 SCNN이 세 가지 실제 데이터셋에서 최신 기술 대비 우수한 성능을 달성함을 입증하였다. 또한, SCNN의 다양한 구성에 대해 검토하고, SCNN의 성질에 대한 심층적인 분석을 수행하였다.