# Does Scaling Law Apply in Time Series Forecasting?

### 저자

Zeyan Li, Libing Chen, Yin Tang

### 개요

본 논문은 시간대열 예측에서 모델 크기의 급격한 증가에 대한 문제점을 제기하며, 초경량 예측 모델인 Alinear를 제안합니다. Alinear는 기존의 대규모 모델들과 비교하여 1% 미만의 파라미터만을 사용하면서 경쟁력 있는 성능을 달성합니다. 이는 수평선 인식 적응형 분해 메커니즘과 점진적 주파수 감쇠 전략을 통해 가능합니다.  7개의 벤치마크 데이터셋에 대한 실험 결과, Alinear는 단기 및 초장기 예측 수평선 모두에서 강력한 정확도를 유지하면서 대규모 모델들을 능가하는 것으로 나타났습니다. 또한, 모델 효율성을 보다 공정하게 평가하기 위해 새로운 파라미터 인식 평가 지표를 제안합니다.  본 연구는 더 큰 모델이 본질적으로 더 낫다는 기존의 믿음에 도전하고, 보다 효율적인 시간대열 모델링으로의 패러다임 전환을 제시합니다.

### 시사점, 한계점

- **시사점:**

    - 시간대열 예측에서 모델 크기의 증가가 항상 성능 향상으로 이어지는 것은 아님을 보여줌.

    - 초경량 모델 Alinear가 대규모 모델에 비해 훨씬 적은 파라미터로 경쟁력 있는 성능을 달성함을 증명.

    - 수평선 인식 적응형 분해 메커니즘과 점진적 주파수 감쇠 전략의 효과를 실험적으로 검증.

    - 모델 효율성 평가를 위한 새로운 파라미터 인식 평가 지표 제안.

    - 효율적인 시간대열 모델링을 위한 새로운 패러다임 제시.

- **한계점:**

    - Alinear 모델의 성능이 모든 시간대열 데이터셋에 대해 우수한지는 추가적인 연구가 필요.

    - 제안된 파라미터 인식 평가 지표의 일반화 가능성에 대한 추가적인 검증 필요.

    - Alinear 모델의 적용 가능한 데이터 유형 및 범위에 대한 추가적인 연구가 필요할 수 있음.

[PDF 보기](https://arxiv.org/pdf/2505.10172)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).