다변량 시계열 예측은 금융, 교통, 기후, 에너지 등 다양한 분야에서 중요합니다. 기존의 패치 기반 방법은 고정 길이 분할을 사용하여 지역별 시간 역학의 이질성과 예측의 이질성을 간과합니다. 이러한 설계는 정보 밀도가 높은 영역에서 세부 정보를 손실시키고, 안정적인 세그먼트에 중복성을 도입하며, 단기 및 장기 수평선의 뚜렷한 복잡성을 포착하지 못합니다. 본 논문은 시간적 이질성을 해결하기 위해 TimeMosaic라는 예측 프레임워크를 제안합니다. TimeMosaic는 적응형 패치 임베딩을 사용하여 로컬 정보 밀도에 따라 세분성을 동적으로 조정하여 구조적 명확성과 모티프 재사용의 균형을 유지하며 시간적 연속성을 유지합니다. 또한, 단일 균일 디코더를 적용하는 대신, 각 예측 수평선을 관련 하위 작업으로 취급하고 수평선별 난이도 및 정보 요구 사항에 적응하는 세그먼트별 디코딩을 도입합니다. 벤치마크 데이터 세트에 대한 광범위한 평가를 통해 TimeMosaic가 기존 방법보다 일관된 개선을 제공하며, 3210억 개의 관측치로 대규모 코퍼스에서 훈련된 모델이 최첨단 TSFM과 경쟁력 있는 성능을 달성함을 보여줍니다.
