실세계 시계열 예측에서 불확실성과 신뢰할 수 있는 평가의 부족은 상당한 어려움을 야기합니다. 특히, 예측 오류는 분포 내 데이터의 과소적합과 분포 외 입력값 처리 실패에서 발생합니다. 모델의 신뢰성을 높이기 위해, 모호성과 참신성 거부를 결합한 이중 거부 메커니즘을 제안합니다. 예측 오차 분산을 사용하는 모호성 거부는 미래 실제값 없이 과거 오차 분산 분석을 통해 평가된 낮은 신뢰도 하에서 모델이 예측을 보류하도록 합니다. 변이 자동 인코더와 마할라노비스 거리를 사용하는 참신성 거부는 훈련 데이터에서의 편차를 감지합니다. 이 이중 접근 방식은 오류를 줄이고 데이터 변화에 적응함으로써 동적 환경에서 예측 신뢰성을 향상시켜 복잡한 시나리오에서 신뢰성을 높입니다.
시사점, 한계점
•
시사점:
◦
모호성 및 참신성 거부 메커니즘을 통한 이중 거부 접근 방식은 실세계 시계열 예측의 신뢰성을 향상시킬 수 있습니다.
◦
미래 실제값 없이 과거 오차 분산 분석을 통해 신뢰도를 평가하여 모델의 예측 보류를 가능하게 합니다.
