시간과 주파수를 잇는 불규칙 다변량 시계열 예측 프레임워크

초록

TFMixer는 비균등 시간표본과 변수 간 비동기성을 가진 다변량 시계열을 위해, 학습 가능한 비균등 이산 푸리에 변환(NUDFT)으로 전역 주파수 정보를 직접 추출하고, 쿼리 기반 패치 믹싱으로 지역 시간 패턴을 효율적으로 통합한다. 시간‑주파수 결합 예측과 역 NUDFT를 이용한 계절성 외삽을 통해 기존 방법들을 뛰어넘는 성능을 달성한다.

상세 분석

본 논문은 불규칙 다변량 시계열 예측(IMTSF)이라는 난제에 대해 두 축, 즉 전역 주파수 구조와 지역 시간 동역학을 동시에 모델링하는 새로운 프레임워크 TF‑Mixer를 제안한다. 핵심 기여는 (1) 비균등 샘플링 타임스탬프에 직접 적용 가능한 학습 가능한 NUDFT 모듈이다. 기존 FFT는 균등 그리드 전제에 의존하지만, 여기서는 가중치‑정규화된 실·허수 성분을 계산하고, MLP 기반의 스펙트럼 정제 단계에서 비선형 변환을 도입해 비정상적 주기성을 포착한다. (2) 정보 밀도 불균형을 해결하기 위한 쿼리 기반 패치 믹싱 메커니즘이다. 고정된 학습 가능한 쿼리 토큰이 각 패치를 어텐션하고, Dual‑Mixing 블록을 통해 패치 간 및 변수 간 상관관계를 깊이 탐색한다. 이는 기존 패치 기반 방법이 겪는 희소·과밀 패치 문제를 완화한다. (3) 시간‑주파수 표현을 통합하는 Output 모듈에서 역 NUDFT를 활용해 미래 타임스탬프에 대한 계절성 바이어스를 명시적으로 생성한다는 점도 주목할 만하다. 실험에서는 의료, 환경, 금융 등 다양한 실제 데이터셋에서 기존 RNN‑ 기반, Neural‑ODE, 그래프·셋 기반 모델 및 최신 주파수‑강화 Transformer들을 모두 능가한다. 다만, 학습 가능한 주파수 집합의 크기 K와 패치 수 P에 대한 민감도 분석이 부족하고, NUDFT 연산의 복잡도가 O(N·K)인 점에서 대규모 시계열에 대한 효율성 검증이 추가로 필요하다. 전반적으로 시간‑주파수 결합이라는 설계 철학이 불규칙 시계열에 적합함을 설득력 있게 입증했으며, 향후 연속시간 임베딩과 스펙트럼 정제 기법을 확장하는 연구에 좋은 기반을 제공한다.