카오스 시스템의 비선형성은 초기 조건에 극도로 민감하고 복잡한 동적 동작을 유발하여 진화를 정확하게 예측하는 데 근본적인 어려움을 제시한다. 기존 접근 방식이 카오스 시간 시리즈의 지역적 특징과 전역적 종속성을 동시에 포착하는 데 실패한다는 한계를 극복하기 위해, 본 연구는 Transformer와 양방향 장단기 기억(BiLSTM) 네트워크를 통합한 병렬 예측 프레임워크를 제안한다. 이 하이브리드 모델은 듀얼 브랜치 아키텍처를 사용하여 Transformer 브랜치는 장거리 종속성을 주로 캡처하고 BiLSTM 브랜치는 지역적 시간적 특징 추출에 중점을 둔다. 두 브랜치에서 보완적인 표현은 예측 정확도를 향상시키기 위해 전용 특징 융합 계층에서 융합된다. Lorenz 시스템의 두 가지 대표적인 작업에서 모델의 성능을 체계적으로 평가했다. 첫 번째는 자율 진화 예측으로, 모델은 상태 벡터의 시간 지연 임베딩에서 시스템 궤적을 재귀적으로 외삽하여 장기 추적 정확도와 안정성을 평가한다. 두 번째는 측정되지 않은 변수 추론으로, 모델은 부분 관측의 시간 지연 임베딩에서 관측되지 않은 상태를 재구성하여 상태 완성 능력을 평가한다. 제안된 하이브리드 프레임워크는 작업 전반에 걸쳐 단일 브랜치 아키텍처보다 일관되게 우수한 성능을 보이며, 카오스 시스템 예측에서 견고성과 효과를 입증한다.
