본 논문은 다양한 분야에서 의사결정에 중요한 정보를 제공하는 시계열 예측에 대한 심층적인 분석을 제공합니다. MLP, CNN, RNN, GNN과 같은 기존 심층 학습 아키텍처의 구조적 한계를 극복하기 위해 Transformer 모델이 활용되었으나, 최근 단순 선형층이 Transformer를 능가하는 성능을 보임에 따라 다양한 아키텍처 탐색이 활발해지고 있습니다. 본 논문은 시계열 예측의 역사적 배경을 제시하고, 아키텍처 다양화 추세를 포괄적으로 분석합니다. 다양한 심층 학습 모델을 비교 분석하여 하이브리드 모델, 확산 모델, Mamba 모델, 기반 모델 등 최신 동향을 제시하고, 채널 의존성, 분포 변화, 인과 관계, 특징 추출 등 시계열 데이터의 고유 특성에 따른 개방형 과제를 다룹니다. 다양한 접근 방식을 통해 예측 성능을 향상시키는 요소를 탐구하여 시계열 예측 분야에 대한 진입 장벽을 낮추고, 연구자들에게 새로운 기회와 통찰력을 제공합니다.
