본 논문은 상관관계가 있는 시계열 집합을 처리하기 위한 도구로 인기를 얻고 있는 그래프 심층 학습 방법에 대해 다룹니다. 기존의 다변량 예측 방법과 달리, 그래프 기반 예측기는 시계열 집합에 걸쳐 있는 그래프를 조건으로 예측을 수행하여 쌍방향 관계를 활용합니다. 이러한 조건화는 예측 아키텍처에 대한 구조적 귀납적 편향의 형태를 취하며, 시공간 그래프 신경망이라는 모델 계열을 생성합니다. 이러한 편향을 통해 집합 내 각 요소(노드)에 대한 예측을 지역화하면서(상관 관계(엣지)를 고려하여) 대규모 시계열 집합에 대한 전역 예측 모델을 훈련할 수 있습니다. 시계열 예측을 위한 그래프 신경망과 심층 학습의 최근 발전으로 인해 이러한 처리 프레임워크의 채택이 매력적이고 시기적절합니다. 그러나 대부분의 연구는 최신 심층 학습 방식을 활용하여 기존 아키텍처를 개선하는 데 중점을 두고 있습니다. 반대로, 기초적이고 방법론적인 측면은 체계적인 조사의 대상이 되지 않았습니다. 이러한 공백을 메우기 위해 본 튜토리얼 논문은 예측 문제를 공식화하고 그래프 기반 예측기의 설계 원칙과 성능 평가 방법을 제공하는 포괄적인 방법론적 프레임워크를 소개하고자 합니다. 또한, 해당 분야에 대한 개요와 함께 설계 지침과 모범 사례, 그리고 개방형 과제와 미래 방향에 대한 심층적인 논의를 제공합니다.
