본 논문은 시계열 예측 과제에서 기존 성공적인 심층 모델들이 간단한 모델들에 비해 어려움을 겪는 현상에 대해 다룬다. 이는 데이터의 기저 역학을 학습할 수 있는 모델이 필요하다는 가설을 바탕으로, 체계적 및 실증적 연구를 통해 검증한다. 기존 모델들을 역학적 관점에서 분석하기 위한 독창적인 $\texttt{PRO-DYN}$ 명명법을 개발하여, 성능이 저조한 아키텍처는 역학을 부분적으로만 학습하고, 역학 블록의 위치는 모델의 마지막 부분에 있는 것이 중요하다는 두 가지 관찰 결과를 도출했다. 다양한 백본을 가진 여러 모델들을 대상으로 광범위한 실험을 수행하여, 학습 가능한 역학 블록을 통합하고 최종 예측자로 사용해야 함을 확인했다.
