견고한 시계열 예측을 위한 타임스탬프의 재해석: 글로벌-로컬 융합 관점

• •타임스탬프는 주기성과 계절성 정보를 담고 있는 핵심 데이터이다
• •기존 모델들은 타임스탬프 정보를 단순 보조 변수로 취급하여 활용도가 낮다
• •이상치가 포함된 데이터에서 타임스탬프의 전역적 정보는 예측 안정성을 높인다

타임스탬프가 시계열 예측에서 차지하는 비중과 기존 딥러닝 모델들의 한계점을 어블레이션 스터디를 통해 분석합니다.

• •Early Fusion은 입력 단계에서 정보를 합쳐 고유 의미가 희석될 위험이 있다
• •Late Fusion은 독립적 처리를 통해 각 데이터 모달리티의 특성을 유지한다
• •GLAFF는 글로벌 정보와 로컬 정보를 독립적으로 처리하는 구조를 가진다

멀티모달 데이터 처리에서 정보를 융합하는 시점에 따른 장단점을 비교합니다.

• •Attention-based Mapper는 타임스탬프의 장거리 의존성을 학습한다
• •Robust Denormalizer는 중앙값과 IQR을 사용하여 이상치에 강인하다
• •Adaptive Combiner는 상황에 따라 글로벌과 로컬 정보의 비중을 조절한다

GLAFF 프레임워크를 구성하는 세 가지 주요 모듈의 기술적 상세 내용을 다룹니다.

• •기존 SOTA 모델 대비 평균 5.5% 이상의 추가 성능 향상을 달성했다
• •이상치와 데이터 드리프트가 존재하는 환경에서 높은 견고성을 입증했다
• •추가적인 연산 비용 대비 정확도 향상 폭이 매우 크다

다양한 시계열 데이터셋과 백본 모델을 활용한 성능 검증 결과를 분석합니다.

• •어떤 시계열 백본 모델에도 쉽게 결합하여 성능을 높일 수 있다
• •타임스탬프를 넘어 다양한 메타데이터를 글로벌 정보로 활용 가능하다
• •데이터가 부족한 새로운 환경에서도 제로샷 적용 잠재력을 가진다

연구의 최종 결론과 산업 현장에서의 실제 활용 방안을 제시합니다.