본 논문은 다변량 시계열 예측에서 해석 가능성과 설명 가능성을 강조하며, 특히 게임 과몰입 예측에 초점을 맞추고 있습니다. 기존의 신경망 기반 예측 모델들은 정확도는 높지만, 예측 결과에 대한 설명이나 원인 제공이 부족하다는 한계를 지니고 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 딥러닝 모델인 Actionable Forecasting Network (AFN)를 제안합니다. AFN은 예측 정확도, 매끄러운 예측 경로, 다차원 입력 특징을 통한 설명 가능성이라는 세 가지 목표를 동시에 달성하는 것을 목표로 합니다. 특히, 게임 플레이어 데이터의 비매끄러운 시간적 무작위성을 고려하여 설계되었으며, 기존 최고 성능 모델(SOM-VAE) 대비 평균 제곱 오차(MSE)를 25% 개선하고, 과몰입 플레이어를 4주 전에 23% 이상(기존 대비 100% 증가) 예측하는 성능을 보입니다. 또한, 플레이어의 부정적인 진행을 특정 미래 시점에 기인하는 특징을 찾아내어, 과몰입 플레이어 수를 18% 이상 줄일 수 있는 개별 맞춤형 조치를 제안할 수 있습니다.
