ForecastGrapher: 그래프 신경망을 활용한 다변량 시계열 예측의 재정의

다변량 시계열 예측에서 시계열 간 상관관계를 효과적으로 학습하는 문제는 여전히 크고 해결되지 않은 과제로 남아 있다. 기존의 딥러닝 모델은 주로 장기 시퀀스를 모델링하기 위해 Transformer 아키텍처에 크게 의존하지만, 이러한 접근은 여러 시계열 간의 정보를 통합하여 보편적으로 적용 가능한 모델로 구성하는 데 한계를 보인다. 이 격차를 메우기 위해 본 논문은 ForecastGrapher라는 프레임워크를 제안한다. 이 프레임워크는 다변량 시계열 예측을 노드 회귀 문제로 재정의함으로써, 복잡한 시계적 동역학과 시계열 간 상관관계를 포착할 수 있는 독창적인 접근을 제시한다. 본 연구의 접근은 세 가지 핵심 단계로 구성된다. 첫째, 각 시계열 내의 시계적 변동을 반영하기 위해 사용자 정의 노드 임베딩을 생성하는 것; 둘째, 시계열 간 상관관계를 인코딩하기 위해 적응형 인접 행렬을 구성하는 것; 셋째, 노드 특성 분포의 다양성을 증가시킴으로써 GNN의 표현력을 강화하는 것이다. 표현력을 향상시키기 위해 우리는 그룹 특성 컨볼루션 GNN(GFC-GNN)을 도입한다. 이 모델은 학습 가능한 스케일러를 활용하여 노드 특성을 여러 그룹으로 분할하고, 집계 전 단계에서 각 그룹에 대해 서로 다른 커널 길이의 1차원 컨볼루션을 적용한다. 결과적으로 GFC-GNN은 완전한 엔드투엔드 방식으로 노드 특성 분포의 다양성을 풍부하게 한다. 광범위한 실험과 아블레이션 연구를 통해 ForecastGrapher가 다변량 시계열 예측 분야에서 강력한 기준 모델 및 최신 발표된 기술들을 뛰어넘는 성능을 보임을 입증하였다.