본 논문은 다변량 시계열(MTS) 예측을 위해 기존의 공간-시간 그래프 신경망(STGNN)의 한계를 극복하는 새로운 k-최근접 이웃 MTS 예측(kNN-MTS) 프레임워크를 제안합니다. 기존 STGNN은 계산 복잡도로 인해 유한 길이의 MTS 입력 데이터만 사용하고, 전체 데이터셋에서 유사 패턴을 식별하는 데 어려움을 겪으며, 변수 간의 상관관계가 드물고 불연속적으로 분포된 데이터에 대해서는 성능 향상이 미미합니다. kNN-MTS는 캐시된 시계열 데이터 저장소에서 최근접 이웃 검색 메커니즘을 사용하여 예측하며, MTS 모델의 표현을 유사성 검색에 활용합니다. 추가적인 학습이 필요 없고, 테스트 시점에 전체 데이터셋에 직접 접근하여 표현력이 높은 모델을 구현하며, 전체 데이터셋에서 드물게 분포된 유사 패턴을 추출할 수 있습니다. 또한, 장기간의 시간적 의존성과 단기간의 공간-시간적 의존성을 모두 포착하는 하이브리드 공간-시간 인코더(HSTEncoder)를 설계하여 kNN-MTS의 정확도를 높였습니다. 실제 데이터셋을 이용한 실험 결과, kNN-MTS는 예측 성능을 크게 향상시키며, 해석성과 효율성도 높음을 보여줍니다.
