ATFNet: 장기 시계열 예측을 위한 적응형 시간-주파수 통합 네트워크

시계열 데이터 분석의 복잡한 특성은 시간 영역과 주파수 영역 표현 방식이 제공하는 독특한 장점들로부터 크게 이익을 얻을 수 있다. 시간 영역은 비주기적 시계열에서 국소적 의존성(로컬 의존성)을 효과적으로 표현하는 데 뛰어나지만, 주파수 영역은 전반적인 의존성(글로벌 의존성)을 잘 포착할 수 있어 명확한 주기적 패턴을 가진 시계열에 특히 적합하다. 이러한 두 영역의 장점을 동시에 활용하기 위해, 본 연구에서는 시간 영역 모듈과 주파수 영역 모듈을 결합하여 시계열 데이터의 국소적 및 전반적 의존성을 동시에 학습할 수 있는 혁신적인 프레임워크인 ATFNet을 제안한다. 특히, 입력 시계열의 주기성에 따라 두 모듈 간 가중치를 동적으로 조정할 수 있는 새로운 메커니즘인 '주요 조화성 시리즈 에너지 가중치(Dominant Harmonic Series Energy Weighting)'를 도입하였다. 주파수 영역 모듈에서는 기존의 이산 푸리에 변환(DFT)의 한계를 극복하기 위해, 이산 주파수의 비일치 문제를 해결하기 위해 설계된 확장된 DFT(Extended DFT)를 도입하였으며, 복소수 스펙트럼 주의 메커니즘(Complex-valued Spectrum Attention)을 통해 다양한 주파수 조합 간의 복잡한 관계를 효과적으로 탐지할 수 있는 새로운 접근법을 제시하였다. 다양한 실제 데이터셋을 대상으로 수행한 광범위한 실험 결과를 통해, 제안하는 ATFNet 프레임워크가 현재 최고 수준의 기법들을 능가하여 장기 시계열 예측 성능에서 뛰어난 성과를 보였음을 입증하였다.