본 논문은 다변량 시계열 예측(MTSF)을 위한 새로운 모델인 DC-Mamber를 제안합니다. 기존의 MTSF 모델들은 채널 독립적 접근 방식(각 변수의 시간 정보를 개별적으로 처리) 또는 채널 혼합 접근 방식(각 시간 단계의 다변량 정보를 함께 처리) 중 하나를 사용합니다. Transformer는 채널 혼합 방식으로 전역적 의존성을 잘 모델링하지만, 지역적 패턴에 대한 민감도가 낮고 계산 복잡도가 높다는 단점이 있습니다. 반면, 상태 공간 모델(SSM) 기반의 Mamba는 선형 복잡도로 장기 의존성을 효율적으로 모델링하지만, 전역적 정보를 병렬적으로 집계하는 데 어려움이 있습니다. DC-Mamber는 Mamba(채널 독립적, 지역적 특징 추출)와 선형 Transformer(채널 혼합적, 전역적 의존성 모델링)를 결합하여 각각의 장점을 활용합니다. 입력 데이터는 별도의 임베딩 계층을 통해 두 가지 다른 특징 표현으로 매핑되고, 각각 Mamba 기반 변수 인코더와 Transformer 기반 시간 인코더에 의해 처리됩니다. 마지막으로, 융합 계층이 두 채널의 특징을 통합하여 예측을 생성합니다. 8개의 공개 데이터셋에 대한 실험 결과, DC-Mamber는 기존 모델보다 우수한 정확도를 보였습니다.
