본 논문에서는 다변량 시계열 예측(MTSF)을 위해 대규모 언어 모델(LLM)을 독립적인 예측기가 아닌, 기존 예측 모델을 보완하는 의미론적 안내 모듈로 활용하는 새로운 듀얼 스트림 프레임워크인 DualSG를 제안합니다. DualSG는 시계열 패턴을 자연어로 요약하는 'Time Series Caption'이라는 명시적인 프롬프트 형식을 사용하여 LLM에 해석 가능한 맥락을 제공합니다. 기존 방법들의 수치적 정밀도 저하 및 LLM의 설계 목적을 벗어난 패턴 처리 문제를 해결하고, 잠재 공간에서의 모달리티 정렬 어려움을 완화하기 위해, LLM이 기존 예측 결과를 개선하는 역할을 수행하도록 설계되었습니다. 다양한 분야의 실제 데이터셋을 이용한 실험 결과, DualSG는 15개의 최첨단 기준 모델들을 꾸준히 능가하는 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
LLM을 다변량 시계열 예측에 효과적으로 통합하는 새로운 프레임워크를 제시합니다.
◦
명시적인 의미론적 안내를 통해 기존 예측 모델의 정확도를 향상시킬 수 있음을 보여줍니다.
◦
Time Series Caption을 통해 LLM의 해석성을 높이고, 텍스트와 시계열 간의 명확한 연결을 제공합니다.
◦
다양한 분야의 실제 데이터셋에서 최첨단 성능을 달성합니다.
•
한계점:
◦
Time Series Caption의 생성 방식에 대한 자세한 설명이 부족할 수 있습니다.
