본 논문은 다양한 주기(hourly, daily, monthly 등)의 변동 패턴이 중첩된 실세계 시계열 데이터 분석의 어려움을 해결하기 위해, 시간-주파수 공간 내 에너지 분포라는 새로운 관점을 제시합니다. 기존의 다중 주기 분해 기법과 달리, 관측된 시계열을 연속적인 주파수 대역 구간으로 적응적으로 정량화하여 도메인 특정 사전 지식 없이 다양한 주기의 변동 패턴을 재구성합니다. 이 전략을 기반으로, 임의의 모델 구조에 적용 가능한 향상된 아키텍처인 Pets를 제안합니다. Pets는 Fluctuation Pattern Assisted (FPA) 모듈과 Context-Guided Mixture of Predictors (MoP) 모듈로 구성됩니다. FPA 모듈은 다양한 변동 패턴 간의 의존성을 포착하고 각 계층에서 이러한 패턴을 잠재 표현으로 점진적으로 모델링하여 정보 융합을 수행합니다. MoP 모듈은 이러한 복합 패턴 표현을 활용하여 다양한 변동의 재구성을 계층적으로 안내하고 조절합니다. Pets는 예측, 결측치 보완, 이상 탐지, 분류 등 다양한 작업에서 최첨단 성능을 달성하며 강력한 일반화 및 강건성을 보여줍니다.
