본 논문은 장기 시계열 예측(LTSF) 모델이 모든 데이터가 점별로 예측 가능하다고 암묵적으로 가정하며, 도메인에 관계없이 적용 가능한 범용 솔루션으로 제시되는 경우가 많다는 문제점을 제기한다. Lorenz-63과 같은 혼돈 시스템을 사례 연구로 사용하여, 점별 예측이 아닌 기하학적 구조가 동역학에 무관한 기본 모델에 적합한 추상화임을 주장한다. 기하학적 변화를 포착하는 Wasserstein-2 거리(W2)를 최소화하고 역학의 스펙트럼 관점을 제공하는 것이 장기 예측에 필수적이라고 설명한다. 이를 위해 제안된 FRIREN(Flow-inspired Representations via Interpretable Eigen-networks) 모델은 데이터를 정규 분포된 잠재 표현으로 임베딩하는 확장된 정규화 흐름 블록을 구현한다. 그런 다음 회전, 스케일링, 역회전 및 병진으로 분해될 수 있는 W2 효율적인 최적 경로를 생성한다. 이 아키텍처는 기본 동역학과 독립적인, 기하학을 보존하는 지역적으로 생성된 예측과, 작은 수정을 가진 유한 Koopman 연산자 역할을 하는 전역 스펙트럼 표현을 제공한다. 이를 통해 실무자는 지역적 및 시스템 전반적으로 어떤 모드가 증가, 감소 또는 진동하는지 식별할 수 있다. FRIREN은 Lorenz-63 (336-in, 336-out, dt=0.01 설정)에서 MSE 11.4, MAE 1.6, SWD 0.96을 달성하여 TimeMixer(MSE 27.3, MAE 2.8, SWD 2.1)를 능가한다. Rossler (96-in, 336-out) 데이터셋에서도 TimeMixer보다 우수한 성능을 보이며, ETT 및 Weather와 같은 표준 LTSF 데이터셋에서도 경쟁력 있는 성능을 보인다. 결론적으로, FRIREN은 현대 생성 흐름과 고전적인 스펙트럼 분석을 연결하여 장기 예측을 정확하고 해석 가능하게 만들며, LTSF 모델 설계에 대한 새로운 기준을 제시한다.
