주간 소매 판매 예측을 위한 시계열 융합 트랜스포머

초록

본 연구는 2010‑2012년 기간의 월마트 45개 매장을 대상으로 주간 매출을 예측하기 위해 Temporal Fusion Transformer(TFT)를 적용하였다. 정적 매장 식별자와 휴일, CPI, 연료가격, 기온 등 시계열 외생 변수를 결합하고, 1‑5주 앞까지의 확률적 예측을 Quantile Loss로 학습시켜 90 % 신뢰구간을 보정하였다. TFT는 RMSE 57.9 k USD와 R² 0.9875를 기록하며 기존 XGB, CNN, LSTM 등 대비 우수한 성능을 보였다.

상세 분석

이 논문은 소매업계에서 필수적인 다기간 예측 문제를 해결하기 위해 최신 시계열 딥러닝 모델인 Temporal Fusion Transformer(TFT)를 상세히 적용하였다. 데이터는 45개의 월마트 매장에서 2010년부터 2012년까지 주간 단위로 수집된 매출 기록이며, 각 매장은 고유한 정적 특성(예: 매장 규모, 지역 코드)과 함께 휴일, 소비자물가지수(CPI), 연료가격, 평균 기온 등 시계열 외생 변수를 포함한다. TFT는 정적 메타데이터를 static enrichment 레이어를 통해 임베딩하고, 시계열 입력을 변수 선택 네트워크(variable‑selection network)로 전처리하여 각 시점별 중요 변수를 자동으로 가중한다. 이후 Gated Residual Network(GRN)와 multi‑head attention 메커니즘을 결합한 temporal attention 블록이 과거 정보와 미래 알려진 입력(예: 예정된 휴일)을 효과적으로 융합한다. 출력 단계에서는 Quantile Loss를 이용해 0.1, 0.5, 0.9 분위수 예측을 동시에 학습함으로써 확률적 예측과 신뢰구간을 제공한다. 실험 설계는 2012년 데이터를 고정 검증셋으로 사용하고, 5‑fold 연속적(chronological) 교차검증을 통해 모델 일반화 능력을 평가하였다. 결과는 TFT가 평균 RMSE 64.6 k USD, R² 0.9844를 기록하며 XGBoost, 전통 CNN, 순환 LSTM, CNN‑LSTM 하이브리드 모델보다 일관되게 우수함을 보여준다. 특히 변수 선택 네트워크와 attention 가중치를 시각화함으로써 ‘휴일 효과’, ‘연료가격 변동’, ‘기온 변화’가 매출에 미치는 영향을 직관적으로 해석할 수 있다. 한계점으로는 데이터 기간이 3년으로 제한적이며, 외부 요인(예: 경쟁사 프로모션)이나 매장 내 재고 정책을 반영하지 못한다는 점을 들었다. 향후 연구에서는 더 긴 시계열과 다중 소매 체인 데이터를 포함하고, 강화학습 기반 재고 최적화와 연계하는 방안을 제시한다.