다중 시계열 예측을 위한 이중 단계 네트워크 DA SPS

초록

DA‑SPS는 목표 변수와 외부 변수의 특성을 각각 고려한 두 단계 구조를 제안한다. 목표 변수는 SSA로 트렌드와 계절성을 분해한 뒤 LSTM과 패치 기반 Conv‑LSTM으로 특징을 추출하고, 외부 변수는 스피어만 상관도로 강한 변수만 선택해 L‑Attention(LSTM + Attention)으로 처리한다. 두 단계의 출력은 가중합 후 선형 변환을 거쳐 최종 예측값을 산출한다. 네 개의 공개 데이터셋과 자체 수집한 노트북 마더보드 데이터에서 기존 최첨단 모델들을 능가하는 성능을 보였다.

상세 분석

본 논문은 다변량 시계열 예측(MTSF)에서 목표 변수와 외부 변수 간의 상관관계와 각 변수 내부의 시간 패턴을 동시에 고려하지 못하는 기존 연구들의 한계를 정확히 짚어낸다. 이를 해결하기 위해 제안된 DA‑SPS는 두 개의 독립적인 처리 단계, 즉 목표 변수 처리 단계(TVPS)와 외부 변수 처리 단계(EVPS)로 구성된다.

TVPS에서는 Singular Spectrum Analysis(SSA)를 이용해 목표 시계열을 트렌드, 계절성, 노이즈 세 구성요소로 분해한다. SSA는 시간 지연 임베딩과 SVD 기반의 차원 축소를 통해 비선형 신호를 효과적으로 분리하는데, 특히 트렌드와 계절성은 예측에 유의미한 정보를 담고 있는 반면 노이즈는 제거한다. 트렌드와 계절성 각각에 특화된 네트워크를 적용하는데, 계절성은 전통적인 LSTM으로 장기 의존성을 학습하고, 트렌드는 패칭 전략(patching)으로 작은 서브시퀀스로 나눈 뒤 Conv‑LSTM을 적용한다. 패칭은 지역적 패턴 간의 상호작용을 포착하면서도 계산 효율성을 유지한다는 장점이 있다.

EVPS에서는 먼저 스피어만 상관계수를 계산해 목표 변수와의 순위 기반 상관도가 높은 외부 변수를 선별한다. 이는 비선형 관계를 포착하면서도 이상치에 강건한 특성을 제공한다. 선택된 변수들은 L‑Attention 모듈에 입력되는데, 이 모듈은 LSTM으로 시간적 흐름을 인코딩하고, 다중 헤드 어텐션을 통해 변수 간 상호작용을 가중한다. 이렇게 하면 외부 변수들의 유의미한 공동 변동성을 효과적으로 추출할 수 있다.

두 단계에서 얻은 특징 벡터는 가중합을 통해 통합되고, 최종 선형 레이어를 거쳐 예측값을 출력한다. 가중합의 가중치는 학습 과정에서 자동으로 최적화되므로, 트렌드·계절성·외부 변수 각각의 기여도를 동적으로 조절한다.

실험에서는 4개의 공개 데이터셋(예: ETTh, ETTm, Traffic, Weather)과 자체 수집한 노트북 마더보드 데이터셋을 사용해 다중 단계 모델의 일반화 능력을 검증한다. MAE, RMSE, MAPE 등 다양한 지표에서 기존 SOTA 모델(LSTNet, Autoformer, Informer 등)을 일관되게 능가한다. 특히 외부 변수 선택과 L‑Attention이 없는 베이스라인과 비교했을 때 성능 향상이 뚜렷해, 변수 선택과 두 단계 구조의 효용성을 입증한다.

추가적인 Ablation Study에서는 (1) SSA 없이 원시 시계열을 바로 LSTM에 입력, (2) 패칭 없이 Conv‑LSTM만 사용, (3) 스피어만 기반 변수 선택을 제외하고 모든 외부 변수를 사용한 경우 등을 실험하였다. 모든 경우에서 제안된 전체 파이프라인이 가장 높은 정확도를 기록했으며, 특히 노이즈 제거와 변수 선택 단계가 성능에 크게 기여함을 확인했다.

이와 같이 DA‑SPS는 (1) 시계열 분해를 통한 트렌드·계절성 명시적 처리, (2) 외부 변수와 목표 변수 간의 비선형 상관관계 정량화, (3) 지역 패칭과 어텐션 기반의 복합 특징 학습이라는 세 가지 핵심 아이디어를 결합함으로써, 복잡한 다변량 시계열 예측 문제에 대한 새로운 해법을 제시한다.