PESD-TSF: A Period-Aware and Explicit Structured Decomposition Framework for Long-Term Time Series Forecasting

작성자

Haebom

카테고리

Empty

저자

Hua Wang (School of Computer and Artificial Intelligence, Ludong University, Yantai, Shandong 264025, China), Xianhao Jiao (School of Computer and Artificial Intelligence, Ludong University, Yantai, Shandong 264025, China), Fan Zhang (School of Computer Science and Technology, Shandong Technology and Business University, Yantai, Shandong 264005, China)

💡 개요

본 논문은 심층 신경망 기반 시계열 예측 모델에서 발생하는 주기성 인식 저하와 추세-노이즈 표현의 복잡성을 해결하기 위해 주기 인지 및 명시적 구조 분해 프레임워크인 PESD-TSF를 제안합니다. PESD-TSF는 다중 스케일 구조 인코더, 교차 스케일 협업 어텐션(CSCA) 등을 통해 추세와 주기성, 그리고 변수 간 상호작용을 명확하게 분리하고 모델링하여 장기 시계열 예측 성능을 향상시킵니다.

🔑 시사점 및 한계

•

심층 모델에서 주기성과 변수 간 동적 상관관계 모델링의 어려움을 물리 기반 구조 분해 접근 방식으로 효과적으로 해결했습니다.

•

제안된 메커니즘들은 시계열 데이터의 내재된 구조적 특징을 명시적으로 학습하여 예측 정확도와 해석 가능성을 동시에 높입니다.

•

다변량 시계열 예측에서 복잡한 변수 간 결합 관계를 모델링하는 데 강점을 보이며, 이는 실제 산업 응용에서 중요한 의미를 가집니다.

•

제안된 프레임워크가 추가적인 연산 복잡성을 야기할 수 있으며, 특정 유형의 노이즈나 비정상 시계열 패턴에 대한 일반화 성능은 추가적인 검증이 필요할 수 있습니다.

PDF 보기

Made with Slashpage