본 논문은 기존의 시계열 예측(TSF) 방법들이 패턴 추출과 직접적인 값 매핑에 초점을 맞추는 반면, 시간적 역동성과 문맥적 의존성에 대한 명시적인 추론을 간과한다는 점을 지적합니다. 따라서, 다양한 영역에서 인상적인 다단계 추론 능력을 보여주는 느린 사고 방식의 거대 언어 모델(LLM)을 활용하여 시계열 예측을 구조화된 추론 과제로 재구성하는 가능성을 탐구합니다. 이를 위해, 제로샷 방식으로 사전 훈련된 느린 사고 방식의 LLM에서 추론 시간 추론을 유도하기 위한 일련의 프롬프팅 전략을 설계하고 다양한 TSF 벤치마크에서 성능을 평가하는 TimeReasoner라는 실험 연구를 제시합니다. 실험 결과, 느린 사고 방식의 LLM이 특히 고차원 추세와 문맥적 변화를 포착하는 데 있어 상당한 제로샷 예측 능력을 보임을 보여줍니다. 본 연구는 LLM의 시간 영역에서의 추론 행동에 대한 중요한 통찰력을 제공하며, 추론 기반 예측 패러다임에 대한 추가 연구를 촉진하고 더 해석 가능하고 일반화 가능한 TSF 프레임워크를 향한 길을 열어 줄 것으로 기대됩니다.
