WinNet: 시계열 예측을 위한 오직 하나의 합성곱층만을 효과적으로 활용하기

최근 딥러닝 모델은 시계열 예측 분야에서 상당한 성능 향상을 달성하였다. 본 연구에서는 단일 합성곱 층만을 사용하는 간단한 구조를 가진 고정밀 CNN 기반 모델인 WinNet을 제안한다. WinNet은 다음의 네 가지 핵심 구성 요소를 포함한다: (i) 서브윈도우 분할 블록(Sub-window Division block)을 통해 시계열 데이터를 2차원 텐서로 변환하고, (ii) 단기 및 장기 변동성을 포착하기 위한 이중 예측 메커니즘(Dual-Forecasting mechanism), (iii) 2차원 하이브리드 분해(TDD, Two-dimensional Hybrid Decomposition) 블록을 통해 2차원 텐서를 추세 항과 계절성 항으로 분해하여 비정상성(non-stationarity)을 제거하며, (iv) 합성곱 층을 활용해 추세 항과 계절성 항 간의 상관관계를 활용하는 분해 상관관계 블록(DCB, Decomposition Correlation Block). 여덟 가지 벤치마크 데이터셋에서의 실험 결과, WinNet은 CNN-, MLP-, Transformer 기반 방법들에 비해 최상의 성능(SOTA)을 달성하면서도 낮은 계산 복잡도를 보였다. 코드는 다음 주소에서 공개될 예정이다: https://github.com/ouwen18/WinNet.