본 논문은 푸리에 변환과 심층 학습을 통합하여 시계열 예측의 새로운 가능성을 제시합니다. 푸리에 변환을 기저 함수의 관점에서 재고찰하여, 주파수 성분의 실수부와 허수부를 각각 계층화된 주파수 수준에서 코사인과 사인 기저 함수의 계수로 간주합니다. 기존 푸리에 기반 방법들의 일관성 없는 시작 주기 및 시계열 길이 문제, 주파수 성분의 부정확한 해석 및 시간 정보 간과 문제점을 지적하고, 이를 해결하기 위해 시간-주파수 공간에서 푸리에 기저 확장 및 매핑을 통한 시간-주파수 특징을 통합하는 새로운 방법인 Fourier Basis Mapping (FBM)을 제안합니다. FBM은 명시적인 주파수 특징을 추출하면서 시간적 특성을 보존하며, 초기 투영 계층만 조정하여 다양한 유형의 신경망과 플러그 앤 플레이 방식으로 통합될 수 있습니다. 선형 모델, MLP 기반 모델, Transformer 기반 모델을 향상시키는 FBM-L, FBM-NL, FBM-NP를 제안하고, 계절성, 추세, 상호작용 효과를 세 개의 별도 블록으로 분해하여 각각 시간-주파수 특징을 특수화된 방식으로 모델링하는 FBM-S라는 시너지 모델 아키텍처를 제안합니다. 또한 상호작용 마스킹, 중앙화, 패칭, 롤링 윈도우 투영, 다중 스케일 다운샘플링 등 시간-주파수 특징에 맞춘 여러 기법을 도입합니다. 다양한 실제 데이터셋에서 장기 및 단기 예측 작업에 대한 실험을 통해 SOTA 성능을 달성함을 검증합니다.
