기존 딥러닝 기반 시계열 예측 모델은 훌륭한 성과를 거두었지만, 도메인 간 일반화에 어려움을 겪습니다. 본 논문에서는 새로운 시계열 일반화 확산 모델(TimeControl)을 제안합니다. 이 모델은 도메인 융합 패러다임을 개척하여, 확산 모델을 통해 여러 시계열 도메인의 정보를 통합하여 생성 프로세스를 수행합니다. 자기회귀 모델과 달리, TimeControl은 확산 노이즈 제거 과정을 통해 교차 도메인 데이터의 혼합 분포를 모델링하고 조건부 샘플링을 사용하여 대상 도메인의 예측 시퀀스를 직접 생성합니다. TimeControl은 관찰 시퀀스로부터 멀티 스케일 변동 패턴을 포착하는 조건 네트워크, 어댑터 기반 미세 조정 전략, 관찰 및 예측 공간을 정렬하는 하이브리드 아키텍처 등 세 가지 핵심 설계를 포함합니다. 49개의 벤치마크 및 30개의 기본 모델에 대한 광범위한 실험 결과, TimeControl은 모든 데이터 도메인에서 기존 기본 모델보다 우수한 성능을 보이며 뛰어난 제로샷 일반화 능력을 보였습니다.
