다중 차수 웨이블릿 미분 변환을 이용한 심층 시계열 예측

초록

본 논문은 기존 푸리에 변환과 전통적인 웨이블릿 변환이 시계열의 다중 스케일·시간 민감 패턴을 포착하는 데 한계를 보이는 문제를 해결하고자, 시계열의 미분을 직접 다루는 다중 차수 웨이블릿 미분 변환(WDT)을 제안한다. 이를 기반으로 다중 브랜치 구조인 WaveTS를 설계해 다양한 스케일의 시간‑주파수 특징을 추출·정제하고, 역변환을 통해 고정밀 예측을 실현한다. 실험 결과, 10개 벤치마크 데이터셋에서 기존 최첨단 모델 대비 평균 5% 이상의 MSE 감소와 낮은 메모리·추론 비용을 달성하였다.

상세 분석

본 연구는 시계열 예측에서 주파수 기반 표현 학습이 갖는 장점과 한계를 명확히 진단한다. 푸리에 변환(FT)은 전역적인 주파수 스펙트럼을 제공하지만, 시간적 위치 정보를 손실해 서로 다른 시계열이 동일한 스펙트럼을 가질 수 있다는 ‘스펙트럼 모호성’ 문제를 야기한다. 반면, 전통적인 웨이블릿 변환(WT)은 시간‑주파수 로컬라이제이션을 제공해 다중 스케일 분석에 유리하지만, 계수 자체가 원본 신호의 진폭 중심으로 구성돼 급격한 변곡점(레짐 전이)을 충분히 강조하지 못한다. 이러한 관찰에서 저자들은 “변화율” 자체를 주파수 영역에서 직접 모델링하는 접근법을 고안한다.

WDT는 “시계열의 미분”을 직접 계산하는 대신, 웨이블릿 기저 함수 자체를 n차 미분한 형태로 변형한다. 수학적으로는 WT의 선형성에 기반해, 원본 시계열 X(t)의 n차 미분을 수행한 결과와 동일한 정보를, 미분된 모다 웨이블릿 ψ⁽ⁿ⁾(t)와의 내적을 통해 얻는다. 이 과정은 두 가지 중요한 장점을 제공한다. 첫째, 시간 도메인에서 차분을 수행할 때 발생하는 고주파 잡음 증폭과 경계 처리 문제를 회피한다. 둘째, 변환 자체가 완전 가역(inverse)이며, 에너지 보존 특성을 만족한다는 정리(Appendix B)를 통해 정보 손실 없이 원본 신호를 복원할 수 있음을 증명한다.

다중 차수(WDT⁽¹⁾, WDT⁽²⁾, …, WDT⁽ᴺ⁾)를 동시에 활용하는 설계는 각 차수가 포착하는 스케일과 변화율의 특성이 상보적임을 이용한다. 저차수는 거친 급격 변화를 강조하고, 고차수는 보다 부드러운 추세 변화를 포착한다. 이를 다중 브랜치 구조인 WaveTS에 매핑함으로써, 각 브랜치는 특정 차수의 WDT → Frequency Refinement Unit(FRU) → 역변환(iWDT) 파이프라인을 수행한다. FRU는 실수값 선형 레이어를 여러 겹 쌓아, 웨이블릿 계수를 정교하게 재구성하고, 잡음 억제와 특징 강조를 동시에 달성한다.

모델 전체 흐름은 다음과 같다. 입력 시계열 Xₜ는 인스턴스 정규화 후 L개의 관측 윈도우로 슬라이딩된다. N개의 병렬 브랜치가 각각 n=1…N 차수의 WDT를 적용해 다중 스케일·다중 변화율 계수를 얻고, FRU를 통해 정제한다. 정제된 계수들은 iWDT를 통해 시간 도메인으로 복원되며, 복원된 시퀀스들은 시간 축으로 concat 후 선형 프로젝션과 역정규화를 거쳐 최종 예측 Yₜ를 출력한다.

실험에서는 10개의 공개 시계열 벤치마크(전력, 교통, 금융 등)를 사용해, 기존 FT 기반 모델(FreTS, FITS)과 WT 기반 모델(AdaWaveNet, WaveMixer) 대비 평균 5.1% 낮은 MSE와 2배 이하의 메모리 사용량, 1.8배 빠른 추론 속도를 기록하였다. 특히 급격한 레짐 전이가 빈번한 데이터셋에서 WDT 기반 계수가 레짐 전이를 정확히 포착해, 예측 오차 감소에 크게 기여함을 확인하였다.

이 논문은 (1) 웨이블릿 기반 변환에 미분 연산을 자연스럽게 결합한 새로운 수학적 프레임워크, (2) 다중 차수·다중 브랜치를 통한 풍부한 시간‑주파수 특징 학습, (3) 실용적인 경량·고속 구현을 동시에 만족하는 모델을 제시함으로써, 딥 시계열 예측 분야에 중요한 전진을 이룬다. 향후 연구에서는 비선형 파라미터화된 미분 웨이블릿, 그리고 대규모 멀티모달 시계열에 대한 확장 가능성을 탐색할 여지가 있다.