GLinear을 활용한 단순성과 복잡성의 연결: 향상된 시계열 예측을 위한 새로운 아키텍처

시간 시리즈 예측(Time Series Forecasting, TSF)은 다양한 분야에서 중요한 응용 분야입니다. 트랜스포머(Transformer)가 긴 시퀀스를 이해하는 데는 효과적이지만, 시간 시리즈 데이터의 시간적 관계를 보존하는 데 어려움을 겪는다는 논란이 있습니다. 최근 연구에서는 더 단순한 선형 모델이 복잡한 트랜스포머 기반 모델보다 우수하거나 적어도 경쟁력 있는 성능을 제공할 수 있다는 점을 제시하고 있습니다. 본 논문에서는 주기적 패턴을 활용하여 더 나은 정확성을 제공하는 다변량 TSF를 위한 새로운 데이터 효율적인 아키텍처인 GLinear를 제안합니다. 이 모델은 다른 최신 선형 예측기와 비교하여 더 적은 양의 역사적 데이터를 사용해도 더 나은 예측 정확성을 제공합니다. 제안된 예측기의 성능을 평가하기 위해 네 가지 다른 데이터셋(ETTh1, 전력, 교통, 날씨)을 사용했습니다. 최신 선형 아키텍처(NLinear, DLinear, RLinear)와 트랜스포머 기반 시간 시리즈 예측기(Autoformer)와의 성능 비교 결과, GLinear는 매개변수 효율성이 뛰어나면서 대부분의 다변량 TSF 사례에서 기존 아키텍처보다 크게 우수한 성능을 보였습니다. 우리는 제안된 GLinear가 더 단순하면서도 고급화된 아키텍처 개발에 있어 데이터 및 계산 효율적인 시간 시리즈 분석 연구의 새로운 방향을 열기를 바랍니다.