본 논문은 시간 순서 데이터 예측을 위한 새로운 트랜스포머 아키텍처를 제안합니다. 시간 순서 토큰화에 중점을 두고, 특히 소매업체의 가격 책정 분야의 실제 예측 문제에 적용합니다. 이 아키텍처는 다양한 스케일에서 모든 사용 가능한 데이터의 효과적인 표현을 동시에 학습하는 것을 목표로 합니다. 여러 해상도를 사용하는 차별화된 시간 순서 패칭, 시간에 따라 변하는 알려진 변수를 위한 다중 해상도 모듈, 계열 간 정보를 포착하기 위한 믹서 기반 모듈, 토큰 수 증가에 따른 확장성을 고려한 새로운 출력 헤드 등 여러 가지 새로운 모듈을 포함합니다. 실제 예측 문제에 대한 실험 결과, 제안된 모델은 기존의 사내 모델 및 딥러닝 아키텍처보다 성능이 우수함을 보여줍니다.
