본 논문은 장기 시계열 예측에서 고정 길이 입력의 한계를 해결하는 새로운 방법을 제시합니다. 기존 딥러닝 모델은 입력 길이가 길어짐에 따라 과적합으로 인해 정확도가 급격히 저하되는 문제를 가지고 있는데, 이는 시계열의 다중 스케일 패턴 결합과 모델의 고정된 집중 스케일 때문이라고 주장합니다. 본 연구는 시계열의 다양한 스케일에서 나타나는 패턴이 다중 주기적 특성을 반영하며, 각 스케일은 특정 주기 길이에 해당한다는 것을 발견했습니다. 또한 토큰 크기가 모델의 동작을 결정하며, 모델이 집중하는 스케일과 수용할 수 있는 컨텍스트 크기를 결정한다는 것을 밝혔습니다. 따라서 시계열의 다중 스케일 시간 패턴을 분리하고, 각 패턴을 해당 주기 길이를 토큰 크기로 하여 모델링하는 새로운 방법을 제안합니다. 이를 위해 시계열 분해 모듈(MPSD)과 다중 토큰 패턴 인식 신경망(MTPR)을 도입하여 최대 10배 더 긴 입력을 처리하고, 성능을 최대 38% 향상시키면서 계산 복잡도는 0.22배로 줄이고 해석력을 높였습니다.
