장기 시계열 예측 연구는 주로 Transformer 및 MLP 모델에 의존해 왔으나, 컨볼루션 네트워크의 잠재력은 충분히 탐구되지 않았다. 본 논문은 이러한 문제를 해결하기 위해, 교차 기간 패치 상호 작용과 변수 종속성을 효과적으로 포착하는 새로운 다중 스케일 시계열 재구성 모듈을 제안한다. 이를 기반으로, 장기 예측에 맞춘 다중 스케일 3D 변형 가능한 컨볼루션 프레임워크인 MS-DFTVNet을 개발했다. 또한, 시간적 특징의 본질적인 불균등한 분포를 처리하기 위해, 컨텍스트 인식 동적 변형 가능한 컨볼루션 메커니즘을 도입하여 복잡한 시간 패턴을 더 잘 포착할 수 있도록 했다. 다양한 실험을 통해 MS-DFTVNet이 강력한 기준 모델들을 크게 능가하며, 여섯 개의 공개 데이터 세트에서 평균 7.5%의 성능 향상을 달성하여 새로운 SOTA 결과를 기록했음을 입증했다.
