시계열 예측 앙상블을 활용한 조기 이상 징후 탐지 프레임워크

초록

본 논문은 다양한 시계열 예측 모델을 앙상블하여 예측 불확실성을 정량화하고, 그 분산을 이상 징후(Precursor‑of‑Anomaly, PoA) 지표로 활용하는 FATE(Forecasting Anomalies with Time‑series Ensembles) 프레임워크를 제안한다. 기존 재활성형 이상 탐지와 달리 사전 경고를 목표로 하며, 라벨이 없는 상황에서도 조기 탐지를 가능하게 한다. 평가를 위해 기존 TaPR을 확장한 PTaPR(Precursor Time‑series Aware Precision‑Recall) 지표를 설계하고, 5개 벤치마크 데이터셋에서 평균 19.9%p의 PTaPR AUC 및 20.02%p의 조기 탐지 F1 향상을 기록한다.

상세 분석

FATE는 “예측 불확실성 = 모델 간 예측값 분산”이라는 직관에 기반한다. 입력 시계열을 고정 길이 윈도우(Lx)로 슬라이딩하고, 각 윈도우에 대해 N개의 최신 예측 모델(Transformer 기반, LSTM, N‑Beats 등)을 독립적으로 학습시킨다. 각 모델은 동일한 입력 Xₜ에 대해 Lᵧ 길이의 미래 값을 출력하고, 동일 시점 t+τ(τ∈