본 논문은 데이터 부족 시나리오에서 효과적인 시공간 예측을 위해 사전 훈련된 언어 모델(PLM)의 추론 및 일반화 능력을 활용하는 것을 목표로 합니다. 기존 PLM은 수치 시계열의 복잡한 상관관계를 모델링하는 데 어려움을 겪는다는 점을 고려하여, 시공간 예측에 맞춤화된 의미 기반 PLM 재프로그래밍 프레임워크인 RePST를 제안합니다. RePST는 공간적으로 상관된 시계열을 해석 가능한 하위 구성 요소로 분해하는 의미 기반 분해기를 사용하여 PLM이 시공간 역학을 이해하도록 돕고, 선택적 이산 재프로그래밍 기법을 통해 시공간 시계열을 이산 표현으로 투영하여 정보 손실을 최소화하고 PLM으로부터 얻은 표현을 풍부하게 합니다. 실제 데이터셋에 대한 광범위한 실험을 통해 RePST가 데이터 부족 시나리오에서 특히 12가지 최첨단 기준 방법보다 우수한 성능을 보임을 보여줍니다.
