시간 증거 융합 네트워크: 장기 시계열 예측에서의 다중 소스 시각

실제 응용 상황에서 시계열 예측은 정확성뿐만 아니라 효율성도 요구한다. 따라서 모델 아키텍처 탐색은 연구 분야에서 지속적으로 주목받는 주제로 남아 있다. 이러한 과제를 해결하기 위해, 정보 융합 관점에서 새로운 핵심 아키텍처인 시간 증거 융합 네트워크(Time Evidence Fusion Network, TEFN)를 제안한다. 구체적으로, 다변량 시계열 데이터의 불확실성을 채널 차원과 시간 차원에서 동시에 포착하기 위해 증거 이론 기반의 기본 확률 할당(Basic Probability Assignment, BPA) 모듈을 도입한다. 또한, BPA 출력에서 도출된 두 가지 서로 다른 차원의 정보를 효과적으로 융합할 수 있는 새로운 다중 소스 정보 융합 방법을 개발하여 예측 정확도를 향상시킨다. 마지막으로, 광범위한 실험을 통해 TEFN이 최신 기술 수준의 방법들과 비교해 유사한 성능을 달성하면서도 상당히 낮은 복잡도와 짧은 학습 시간을 유지함을 입증한다. 또한 실험 결과, TEFN은 하이퍼파라미터 선택 과정에서 오차 변동이 매우 작아 높은 안정성을 보임을 확인하였다. 더불어 BPA가 퍼지 이론(fuzzy theory)에서 유도된 점을 고려할 때, TEFN은 높은 해석 가능성(interpretability)을 제공한다. 따라서 제안된 TEFN은 정확성, 효율성, 안정성, 해석 가능성의 균형을 잘 이뤄내어, 시계열 예측에 있어 매우 유망한 솔루션으로 평가할 수 있다.