본 논문은 지속 가능한 에너지 시스템 최적화에 필수적인 에너지 수요 및 공급의 정확한 예측을 위해, 신경 상미분 방정식(Neural ODEs), 그래프 어텐션, 다중 해상도 웨이블릿 변환, 그리고 적응적 주파수 학습을 통합한 새로운 신경망 프레임워크를 제시합니다. Runge-Kutta 방법을 사용하는 강건한 ODE 솔버와 그래프 기반 어텐션, 그리고 residual connection을 활용하여 구조적 및 시간적 패턴을 효과적으로 이해하고, 웨이블릿 기반 특징 추출과 적응적 주파수 변조를 통해 다양한 다중 스케일 시간 역학을 포착하고 모델링합니다. ETTh1, ETTh2, ETTm1, ETTm2 (변압기 온도), Waste, Solar, Hydro (재생에너지) 등 7개의 다양한 데이터셋에 대한 평가 결과, 기존 최첨단 기법들을 다양한 예측 지표에서 능가하며 복잡한 시간적 의존성을 포착하는 강건성을 입증했습니다. 또한 SHAP 분석을 통해 해석성을 향상시켜 지속 가능한 에너지 응용 분야에 적합함을 보여줍니다.
