본 논문은 시간 순서열 예측(TSF) 분야에서 주목 메커니즘의 활용성을 높이기 위해 PeriodNet이라는 새로운 구조를 제안한다. PeriodNet은 인접한 기간 분석을 위한 기간 주의(period attention) 및 희소 기간 주의(sparse period attention) 메커니즘을 통합하여 지역적 특징, 주기적 패턴, 전역적 의존성을 강화한다. 또한, 교차 변수 중복을 줄이기 위해 반복적 그룹화 메커니즘을 도입하고, 인코더 측에서 추출된 특징을 활용하기 위해 바닐라 Transformer의 아키텍처를 재설계하여 정확한 다중 기간 예측을 위한 기간 확산기(period diffuser)를 제안한다. 8개의 데이터 세트에 대한 실험을 통해 PeriodNet이 단변량 및 다변량 TSF 시나리오에서 6개의 최첨단 모델보다 우수한 성능을 보였다. 특히, PeriodNet은 길이 720의 시간 순서열 예측에서 기존 인코더-디코더 Transformer 아키텍처 기반 모델에 비해 22%의 상대적 성능 향상을 달성했다.
