본 논문은 기존의 시계열 예측(TSF) 방법들이 패턴 추출과 직접적인 값 매핑에 초점을 맞추는 반면, 시간적 역동성과 문맥적 의존성에 대한 명시적인 추론을 간과하는 점을 지적합니다. 이에 따라 다양한 영역에서 다단계 추론 능력을 보여주는 느린 사고 방식의 거대 언어 모델(LLM)을 활용하여 시계열 예측을 구조화된 추론 과제로 재구성하는 것을 제안합니다. TimeReasoner라는 실험을 통해 사전 훈련된 느린 사고 방식의 LLM이 제시된 프롬프트 전략을 이용하여 다양한 시계열 예측 벤치마크에서 제로샷 예측 성능을 평가합니다. 실험 결과, 느린 사고 방식의 LLM이 특히 고차원 트렌드와 문맥적 변화를 포착하는 데 있어 상당한 제로샷 예측 능력을 보이는 것을 확인하였습니다. 본 연구는 LLM의 시간 영역 추론 행동에 대한 통찰력을 제공하며, 추론 기반 예측 패러다임에 대한 추가 연구를 촉진하고 더욱 해석 가능하고 일반화 가능한 TSF 프레임워크를 향한 길을 열 것으로 기대됩니다.
