본 논문은 장기 시계열 예측(LTSF) 모델이 모든 데이터가 점별로 예측 가능하다는 암묵적 가정 하에 도메인에 걸쳐 적용 가능한 범용 솔루션으로 제시되는 경향이 있음을 지적한다. Lorenz-63과 같은 혼돈 시스템을 사례 연구로 사용하여, 점별 예측이 아닌 기하학적 구조가 동역학과 무관한 기본 모델에 대한 적절한 추상화임을 주장한다. 기하학적 변화를 포착하는 Wasserstein-2 거리(W2)를 최소화하고 동역학의 스펙트럼 관점을 제공하는 것이 장기 예측에 필수적이다. 제안된 모델 FRIREN(Flow-inspired Representations via Interpretable Eigen-networks)은 데이터를 정규 분포 잠재 표현으로 임베딩하는 증강 정규화 흐름 블록을 구현한다. 그런 다음 회전, 스케일링, 역회전 및 변환으로 분해될 수 있는 W2 효율적인 최적 경로를 생성한다. 이 아키텍처는 기본 동역학과 독립적인 국소적으로 생성된 기하학 보존 예측과 소규모 수정을 통해 유한 Koopman 연산자 역할을 하는 전역 스펙트럼 표현을 제공한다. 이를 통해 실무자는 국소적 및 시스템 전반적으로 어떤 모드가 성장, 감소 또는 진동하는지 식별할 수 있다. FRIREN은 Lorenz-63에서 336-in, 336-out, dt=0.01 설정에서 MSE 11.4, MAE 1.6, SWD 0.96을 달성하여 TimeMixer(MSE 27.3, MAE 2.8, SWD 2.1)를 능가한다. 모델은 약 2.5 Lyapunov 시간인 336단계 중 274단계에서 효과적인 예측을 유지한다. Rossler(96-in, 336-out)에서 FRIREN은 MSE 0.0349, MAE 0.0953, SWD 0.0170을 달성하여 TimeMixer의 MSE 4.3988, MAE 0.886, SWD 3.2065보다 우수한 성능을 보인다. FRIREN은 ETT 및 Weather와 같은 표준 LTSF 데이터셋에서도 경쟁력 있는 성능을 보인다. 현대 생성 흐름과 고전적인 스펙트럼 분석을 연결함으로써 FRIREN은 장기 예측을 정확하고 해석 가능하게 만들어 LTSF 모델 설계에 대한 새로운 기준을 제시한다.
