딥러닝 기반 시계열 예측 모델은 복잡한 시간적 의존성을 포착하는 데 뛰어나지만, 예측의 불확실성을 고려하는 데 어려움이 있다. 이를 해결하기 위해, 본 논문은 스칼라 값을 직접 출력하는 대신 각 단계별로 이산 확률 분포를 직접 구성하는 Interleaved Dual-branch Probability Distribution Network (interPDN)을 제안한다. 각 시점의 회귀 출력은 미리 정의된 support set에서 예측 분포의 기댓값을 계산하여 도출된다. 예측 이상 현상을 완화하기 위해, 장기 추세 예측을 위한 coarse temporal-scale branch로 보강된 interleaved support sets를 갖춘 이중 분기 아키텍처가 도입되었다. 다른 분기의 출력은 현재 분기의 예측에 자체 지도 일관성 제약을 가하는 보조 신호로 취급된다. 여러 실제 데이터셋에 대한 광범위한 실험을 통해 interPDN의 우수한 성능을 입증한다.
