평균시간 간단한 평균으로 장기 시계열 예측 강화

초록

AverageTime은 iTransformer의 채널 추출 아이디어를 확장해, 원본 시계열과 다중 구조에서 생성된 보조 시계열을 평균으로 결합한다. 두 단계의 평균 연산만으로 복잡한 채널 간 의존성을 포착하면서도 선형에 가까운 계산 복잡도를 유지한다. 또한 스피어만 상관 기반 클러스터링을 도입해 채널 그룹별로 MLP를 공유함으로써 학습·추론 효율을 크게 높인다. 실험 결과, 다양한 실제 데이터셋에서 최신 Transformer 기반 모델들을 능가한다.

상세 분석

AverageTime은 장기 다변량 시계열 예측에서 “채널 정보 추출 → 정보 융합 → 예측”이라는 흐름을 극도로 단순화한다는 점이 가장 큰 특징이다. 기존 iTransformer가 채널 임베딩을 위해 Transformer 인코더만을 사용한 반면, 본 논문은 Transformer 인코더와 다층 퍼셉트론(MLP) 두 가지 서로 다른 구조를 채널 차원에 병렬 적용한다. 이렇게 얻어진 여러 보조 시계열은 원본 시계열과 동일한 형태로 전치(transpose)된 뒤, 첫 번째 평균 연산을 통해 초기 융합된다. 이후 각 보조 시계열과 원본 시계열에 대해 독립적인 MLP 기반 예측기를 적용하고, 두 번째 평균 연산으로 최종 예측값을 산출한다. 두 번의 평균만으로 복잡한 채널 간 상호작용을 효과적으로 반영한다는 점은 계산량을 크게 늘리지 않으면서도 성능을 끌어올리는 핵심 메커니즘이다.

채널 클러스터링 모듈은 스피어만 상관계수를 이용해 채널 간 유사성을 정량화하고, 라벨 전파(Label Propagation) 알고리즘으로 고유한 그룹을 형성한다. 그룹 내 채널들은 동일한 MLP 파라미터를 공유하므로, 채널 수가 수백·수천에 달하는 고차원 데이터에서도 연산량과 메모리 사용량을 크게 절감한다. 논문에서는 임계값 T=0.8을 기본값으로 설정했으며, 이 값은 실험을 통해 안정적인 클러스터링을 보장한다.

또한, 본 연구는 VMD(Variational Mode Decomposition)를 변형한 FVMD(Frequency‑constrained VMD)를 보조 정보원으로 도입한다. FVMD는 각 모드의 중심 주파수 간 차이를 패널티 항으로 제어함으로써, 분해된 모드가 보다 명확한 주파수 구분을 갖도록 유도한다. 이러한 주파수‑분해 정보는 기존 평균 연산에 추가적인 시계열 특징을 제공해, 특히 비선형·비정상성을 갖는 데이터셋에서 예측 정확도를 향상시킨다.

복합적인 정보 융합 구조에도 불구하고 전체 모델 복잡도는 O(N·C) 수준으로, N은 시계열 길이, C는 채널 수이다. 이는 기존 Transformer 기반 모델이 O(N·C·log N) 혹은 O(N·C·d) (d는 차원) 수준의 복잡도를 갖는 것에 비해 현저히 낮다. 실험에서는 ETT, Traffic, Electricity 등 7개 공개 데이터셋에서 평균 MSE/MAE가 기존 최첨단 모델(iTransformer, Informer, TimesNet 등)을 37% 정도 능가했으며, LightAverageTime 버전은 학습·추론 속도가 1.52배 가속화되었다.

요약하면, AverageTime은 (1) 다중 구조 기반 채널 추출, (2) 두 단계 평균 융합, (3) 스피어만‑라벨 전파 기반 채널 클러스터링, (4) FVMD를 통한 주파수‑분해 보조 정보 제공이라는 네 가지 핵심 요소를 결합한다. 이 네 요소는 각각 독립적으로도 성능 향상을 보이며, 결합될 경우 시계열 예측 정확도와 효율성 모두에서 시너지 효과를 만든다. 특히 “단순 평균”이라는 직관적인 연산을 핵심으로 삼아, 복잡한 어텐션 메커니즘이나 대규모 파라미터 튜닝 없이도 강력한 예측 능력을 구현한다는 점에서 실용성과 학술적 기여도가 높다.