CycleNet: 주기적 패턴 모델링을 통한 시계열 예측 성능 향상

시계열 데이터 내에 존재하는 안정적인 주기적 패턴은 장기 예측을 수행하는 기초가 된다. 본 논문에서는 장기 시계열 예측(LTSF, Long-Term Time Series Forecasting) 과제에서 모델 성능을 향상시키기 위해 이러한 주기성을 명시적으로 모델링하는 새로운 접근을 제안한다. 구체적으로, 시퀀스 내부에 내재된 주기적 패턴을 학습 가능한 순환 구조(learnable recurrent cycles)로 모델링하고, 이를 통해 모델링된 주기의 잔차 성분(residual components)에 대해 예측을 수행하는 '잔차 주기 예측(RCF, Residual Cycle Forecasting)' 기법을 도입한다. RCF를 선형 레이어 또는 얕은 MLP와 결합함으로써, 본 논문에서 제안하는 간단하면서도 강력한 방법인 CycleNet을 구성한다. CycleNet은 전기, 기상, 에너지 등 다양한 분야에서 최첨단 예측 정확도를 달성하며, 파라미터 수량을 90% 이상 감소시킴으로써 뛰어난 효율성도 제공한다. 또한, 새로운 플러그 앤 플레이(Plug-and-Play) 기법으로서 RCF는 PatchTST 및 iTransformer와 같은 기존 모델의 예측 정확도를 크게 향상시킬 수 있다. 소스 코드는 다음과 같은 주소에서 제공된다: https://github.com/ACAT-SCUT/CycleNet.