시간 불변 주파수 연산자 TIFO: 비정상 시계열을 위한 스테이션너리티 인식 표현 학습

초록

본 논문은 비정상 시계열 예측에서 발생하는 분포 이동 문제를 주파수 영역에서 해결하고자 한다. 데이터 전체에 걸쳐 주파수 스테이션너리티를 학습하는 Time‑Invariant Frequency Operator(TIFO)를 제안하고, 이를 기존 예측 모델에 플러그‑인 방식으로 적용한다. 실험 결과, ETTm2 등 비정상 데이터셋에서 평균 MSE를 33.3%~55.3% 개선하고, 연산 비용을 60%~70% 절감하였다.

상세 분석

TIFO는 두 단계로 구성된다. 첫 번째 단계에서는 전체 학습 데이터셋에 대해 이산 푸리에 변환(DFT)을 수행하고, 각 주파수‑채널 쌍(k, c)의 진폭 A(i)(k,c)에 대해 평균 μ와 표준편차 σ를 계산한다. 여기서 S(k,c)=μ/σ와 같은 스테이션너리티 점수를 정의하여, 평균이 크고 변동성이 작은 주파수가 “정적”(stationary)이라고 판단한다. 두 번째 단계에서는 샘플별 DFT 결과의 실수·허수 계수를 각각 별도의 MLP에 입력해 가중치 λᵣ, λᵢ를 학습한다. 이 가중치는 사전 계산된 S(k,c)를 조건으로 하며, 정적 주파수에는 높은 가중치를, 비정적 주파수에는 낮은 가중치를 부여한다. 가중된 계수 R_w, I_w를 역DFT(iDFT)하여 시간 영역으로 복원하고, 이를 기존 예측 모델(DLinear, PatchTST, iTransformer 등)의 입력으로 사용한다.

이론적 배경으로 저자는 푸리에 변환이 주파수 공간에서 암묵적인 커널을 형성하고, 이 커널이 고유함수(orthonormal basis)와 고유값(스펙트럼 고유값)으로 분해될 수 있음을 보인다. TIFO가 학습하는 λ는 이러한 고유값에 해당하며, 데이터 전체에 걸친 스펙트럼 구조를 반영한다. 따라서 모델은 “데이터 전반에 걸친 정적 성분”을 강조하면서, 개별 샘플의 비정적 변동은 억제한다.

실험에서는 7개의 공개 시계열 데이터셋(ETTm2, ETTm1, Weather, Traffic 등)과 28개의 설정(예측 길이, 입력 길이, 변수 수 등)에서 평가하였다. TIFO를 적용한 모델은 18개의 경우에서 1위, 6개의 경우에서 2위를 차지했으며, 특히 ETTm2에서 PatchTST와 iTransformer의 MSE를 각각 33.3%와 55.3% 감소시켰다. 또한, 기존 정규화 기반 방법(RevIN, SAN 등) 대비 연산량을 60%~70% 절감해 실시간 적용 가능성을 높였다.

한계점으로는 주파수 가중치를 학습하기 위해 전체 데이터에 대한 DFT와 통계량 계산이 필요하므로, 매우 대규모 스트리밍 데이터에서는 사전 처리 비용이 부담될 수 있다. 또한, 복소수 계수를 별도 MLP에 전달하는 설계가 모델 복잡성을 약간 증가시킨다. 향후 연구에서는 온라인 방식의 스테이션너리티 추정이나, 비선형 스펙트럼 변환(예: 웨이블릿)과의 결합을 탐색할 여지가 있다.