본 논문은 시계열 예측에서 회귀 문제를 분류 문제로 변환하는 기존 연구의 한계를 극복하기 위해 이진 누적 인코딩(BCE)을 제안합니다. 기존 방법들이 연속적인 목표 변수를 이산화하여 원-핫 인코딩을 사용함으로써 값 사이의 상대적인 거리 정보를 무시하는 문제를 해결하고자, BCE는 스칼라 목표 변수를 단조 이진 벡터로 표현하여 순서 및 크기 정보를 유지합니다. 이를 통해 모델은 분류 프레임워크 내에서 거리 인식 표현을 학습할 수 있습니다. 본 논문에서는 BCE에 특화된 합성곱 신경망 아키텍처를 제안하며, 잔차 및 팽창 합성곱을 사용하여 빠르고 표현력 있는 시간적 모델링을 가능하게 합니다. 벤치마크 예측 데이터셋에 대한 광범위한 실험을 통해 제안된 방법이 기존 방법보다 점 예측과 확률 예측 모두에서 우수한 성능을 보이며, 더 적은 매개변수와 더 빠른 학습 속도를 달성함을 보여줍니다.