Goal-Oriented Time-Series Forecasting: Foundation Framework Design
Created by
Haebom
저자
Luca-Andrei Fechete, Mohamed Sana, Fadhel Ayed, Nicola Piovesan, Wenjie Li, Antonio De Domenico, Tareq Si Salem
개요
본 논문은 기존 시계열 예측 방법이 다운스트림 애플리케이션에서 예측 범위의 중요도 차이를 고려하지 않고 전체 예측 오류를 최소화하는 데 초점을 맞춘다는 점을 지적합니다. 따라서 재훈련 없이 추론 시 애플리케이션 특정 관심 영역에 예측 모델의 초점을 맞출 수 있는 훈련 방법론을 제안합니다. 이 방법은 훈련 중 예측 공간을 세분화된 세그먼트로 분할하고, 애플리케이션에서 지정된 목표 범위를 강조하기 위해 동적으로 가중치를 재조정하고 집계합니다. 기존 방법과 달리 사전에 범위를 정의하지 않고 유연하고 필요에 따라 조정할 수 있습니다. 표준 벤치마크와 새롭게 수집된 무선 통신 데이터 세트에 대한 실험을 통해 제안된 방법이 관심 영역 내의 예측 정확도를 향상시킬 뿐만 아니라 다운스트림 작업 성능에서도 측정 가능한 이점을 제공함을 보여줍니다. 이러한 결과는 실제 시스템에서 예측 모델링과 의사 결정 간의 긴밀한 통합 가능성을 강조합니다.
시사점, 한계점
•
시사점:
◦
재훈련 없이 애플리케이션 특정 관심 영역에 맞춰 시계열 예측 모델을 조정할 수 있는 새로운 방법론 제시.
