본 논문은 고차원 예측 변수를 사용한 시계열 예측 성능 향상을 목표로 하는 차원 축소 문제를 연구합니다. 목표 변수와 지연된 관측값을 요인 추출 과정에 통합하는 새로운 Supervised Deep Dynamic Principal Component Analysis (SDDP) 프레임워크를 제안합니다. 시간적 신경망을 활용하여, 예측력을 높이는 예측 변수에 더 큰 가중치를 부여하는 방식으로 원본 예측 변수를 지도 방식으로 스케일링하여 목표 인식 예측 변수를 구성합니다. 그 후, 목표 인식 예측 변수에 주성분 분석을 수행하여 추정된 SDDP 요인을 추출합니다. 이러한 지도 요인 추출은 다운스트림 예측 작업에서 예측 정확도를 향상시킬 뿐만 아니라, 더 해석 가능하고 목표 특정적인 잠재 요인을 생성합니다. SDDP를 기반으로, 다양한 요인 기반 예측 모델을 통합하는 요인 증강 비선형 동적 예측 모델을 제안합니다. 또한, 예측 변수가 부분적으로 관측 가능한 시나리오까지 SDDP를 확장하여 적용성을 입증합니다. 제안된 방법의 실제 데이터셋에서의 성능을 검증한 결과, 최신 방법론에 비해 예측 정확도에서 상당한 개선을 보였습니다.
