본 논문에서는 다변량 시계열 예측(MTSF)을 위해 대규모 언어 모델(LLM)을 독립적인 예측기가 아닌, 기존 예측 방법을 보완하는 의미론적 지침 모듈로 활용하는 DualSG 프레임워크를 제안합니다. DualSG는 전통적인 수치적 예측과 LLM 기반의 의미론적 지침을 명시적으로 결합하는 이중 스트림 구조를 가지며, 'Time Series Caption'이라는 새로운 프롬프트 형식을 통해 시계열 패턴을 자연어로 요약하여 LLM에 전달합니다. 이를 통해 LLM이 수치적 정밀도를 유지하면서 시계열 패턴을 이해하고 예측을 개선하도록 돕습니다. 실험 결과, 다양한 분야의 실제 데이터셋에서 DualSG가 15개의 최첨단 기준 모델들을 꾸준히 능가하는 성능을 보임을 확인했습니다.
시사점, 한계점
•
시사점:
◦
LLM을 다변량 시계열 예측에 효과적으로 통합하는 새로운 접근 방식을 제시합니다.
◦
수치적 정밀도 손실 없이 LLM의 의미론적 이해 능력을 활용하여 예측 성능을 향상시킵니다.
◦
Time Series Caption을 통해 LLM과 시계열 데이터 간의 명확한 상호 작용을 가능하게 합니다.
◦
다양한 분야의 실제 데이터셋에서 우수한 성능을 검증했습니다.
•
한계점:
◦
Time Series Caption의 생성 및 최적화에 대한 추가적인 연구가 필요할 수 있습니다.
