본 논문은 시간에 따라 데이터 분포가 변화하는 개념 이동 문제를 해결하기 위한 새로운 온라인 시계열 예측 프레임워크인 Proceed를 제안합니다. 기존 온라인 학습 방법들은 최근 관측치를 이용하여 모델을 지속적으로 업데이트하지만, 실제 미래 값을 얻는 데 시간 지연이 발생하여 훈련 데이터와 테스트 데이터 간의 개념 이동을 야기할 수 있다는 점을 간과합니다. Proceed는 훈련 데이터와 테스트 데이터 간의 개념 이동을 먼저 추정하고, 이를 모델 파라미터 조정에 적용하여 사전적으로 모델을 적응시키는 방법을 제시합니다. 다양한 개념 이동으로 사전 훈련된 Proceed는 다섯 개의 실제 데이터셋에 대한 실험에서 기존 온라인 학습 방법보다 성능 향상을 보였습니다. 코드는 깃허브에서 확인 가능합니다.
