NeuTSFlow: Modeling Continuous Functions Behind Time Series Forecasting
Created by
Haebom
저자
Huibo Xu, Likang Wu, Xianquan Wang, Haoning Dang, Chun-Wun Cheng, Angelica I Aviles-Rivero, Qi Liu
개요
본 논문은 기존의 시계열 예측 방법들이 데이터를 이산적인 순서열로 취급하는 한계를 극복하고자, 연속적인 과정의 노이즈가 섞인 샘플로서 시계열을 재해석하는 새로운 프레임워크인 NeuTSFlow를 제안합니다. 이산적인 노이즈 관측값은 연속 함수를 유일하게 결정할 수 없다는 점에 착안하여, 시계열을 공유 확률 측도에 의해 지배되는 연속 함수 집합의 노이즈 관측값으로 봅니다. 따라서 예측 과제는 과거 함수 집합에서 미래 함수 집합으로의 전이를 학습하는 것으로 정의됩니다. 이를 위해 Neural Operators를 활용하여 과거와 미래 함수 집합 사이의 측도의 흐름 일치를 학습하는 NeuTSFlow를 제시합니다. 무한 차원 함수 공간에서 흐름의 속도장을 매개변수화함으로써, 이산점에서의 의존성에 집중하는 기존 방법을 넘어 함수 수준의 특징을 직접 모델링합니다. 다양한 예측 작업에 대한 실험을 통해 NeuTSFlow의 우수한 정확성과 강건성을 검증합니다.
시사점, 한계점
•
시사점:
◦
시계열 예측 문제를 연속 함수 집합의 관점에서 새롭게 정의하여 기존 방법의 한계를 극복했습니다.
◦
Neural Operators와 flow matching을 결합하여 함수 수준의 특징을 효과적으로 학습하는 새로운 프레임워크를 제시했습니다.
