본 논문은 고차원 예측변수를 사용한 시계열 예측 개선을 위해 차원 축소 문제를 연구합니다. 목표 변수와 지연 관측값을 요인 추출 과정에 통합하는 새로운 지도 심층 동적 주성분 분석(Supervised Deep Dynamic Principal Component Analysis, SDDP) 프레임워크를 제안합니다. 시간적 신경망을 이용하여 예측력이 강한 예측변수에 더 큰 가중치를 부여하는 지도 방식으로 원래 예측변수의 크기를 조정하여 목표 인식 예측변수를 구성합니다. 그런 다음 목표 인식 예측변수에 주성분 분석을 수행하여 추정된 SDDP 요인을 추출합니다. 이러한 지도 요인 추출은 후속 예측 작업의 예측 정확도를 향상시킬 뿐만 아니라 더 해석 가능하고 목표 특정 잠재 요인을 생성합니다. SDDP를 기반으로 광범위한 요인 모델 기반 예측 접근 방식을 통합하는 요인 증강 비선형 동적 예측 모델을 제안합니다. SDDP의 광범위한 적용 가능성을 더욱 입증하기 위해 예측변수가 부분적으로만 관측 가능한 더 어려운 시나리오로 연구를 확장합니다. 몇 가지 실제 공개 데이터 세트에서 제안된 방법의 경험적 성능을 검증합니다. 결과는 제안된 알고리즘이 최첨단 방법에 비해 예측 정확도를 상당히 향상시킨다는 것을 보여줍니다.
