본 논문은 공간-시간 데이터의 고차원성 문제를 해결하기 위해 새로운 예측 모델 UltraSTF를 제안합니다. 기존의 SparseTSF 모델은 주기성을 활용하여 모델 크기를 줄였지만, 주기 내 시간적 의존성을 제대로 포착하지 못하는 한계가 있었습니다. UltraSTF는 SparseTSF의 장점을 유지하면서 주기 내 동역학을 효과적으로 학습하기 위해 초소형 형태 은행(ultra-compact shape bank) 구성요소를 통합했습니다. 이는 어텐션 메커니즘을 사용하여 시간 시계열의 반복 패턴을 효율적으로 포착합니다. 결과적으로 UltraSTF는 LargeST 벤치마크에서 최첨단 성능을 달성하면서, 두 번째로 좋은 모델보다 0.2% 미만의 파라미터만 사용하여 기존 접근 방식의 파레토 프런티어를 더욱 확장했습니다.