본 논문은 다변량 시계열(MTS) 예측을 위한 장기 다변량 기록 표현(LMHR) 강화 공간-시간 그래프 신경망(STGNN) 프레임워크를 제안합니다. 기존 STGNN 모델들이 계산 복잡도로 인해 단기 및 지역적 공간-시간 의존성에만 집중하는 한계를 극복하고자, 장기간의 공간-시간 유사성 및 상관관계를 고려합니다. 이를 위해 장기 기록 인코더(LHEncoder)를 사용하여 장기 기록을 구간 수준의 문맥 표현으로 효과적으로 인코딩하고 점 수준의 노이즈를 줄이며, 비모수적 계층적 표현 검색기(HRetriever)를 통해 공간 정보를 포함한 장기 공간-시간 의존성 모델링 및 가장 가치 있는 표현을 추가 학습 없이 선택합니다. 또한 트랜스포머 기반 집계기(TAggregator)를 사용하여 순위 위치 임베딩을 기반으로 드물게 검색된 문맥 표현을 효율적으로 융합합니다. 실험 결과, LMHR은 여러 실제 데이터셋에서 기존 STGNN 및 최첨단 방법보다 각각 평균 예측 지평선 기준 10.72%, 최첨단 방법 대비 4.12% 향상된 성능을 보였으며, 빠르게 변화하는 패턴 상위 10%에서 9.8%의 예측 정확도 향상을 보였습니다.
