초록
장기 시계열 예측(LTSF)은 전력 소비 계획, 금융 예측, 질병 전파 분석과 같은 다양한 실세계 응용 분야에서 핵심적인 역할을 한다. LTSF는 입력과 출력 간의 장기적 의존성을 정확히 포착해야 하며, 이는 복잡한 시계적 동역학과 높은 계산적 요구 사항으로 인해 큰 도전 과제를 안고 있다. 기존의 선형 모델은 주파수 도메인 분해를 활용하여 모델 복잡성을 줄이지만, 대부분의 접근법은 정상성(stationarity)을 가정하며, 중요한 단기 변동성을 담고 있을 수 있는 고주파 성분을 제거하는 경향이 있다. 본 논문에서는 다중 규모 마스킹 주파수 분해(multi-scale masked frequency decomposition) 기법을 활용하여 장기적 다변량 시계열 예측 성능을 향상시키기 위해 MMFNet이라는 새로운 모델을 제안한다. MMFNet은 다양한 규모에서 시계열을 주파수 세그먼트로 변환함과 동시에 학습 가능한 마스크를 사용하여 관련 없는 성분을 적응적으로 필터링함으로써 세밀한, 중간 수준의, 그리고 거시적인 시계적 패턴을 동시에 포착한다. 기준 데이터셋을 활용한 광범위한 실험 결과에 따르면, MMFNet은 기존 방법의 한계를 극복할 뿐만 아니라 일관된 우수한 성능을 보였다. 특히, 다변량 예측 작업에 특화된 최첨단 모델들과 비교했을 때, MMFNet은 평균 제곱 오차(MSE)를 최대 6.0%까지 감소시키는 성과를 달성하였다.