시간을 초월한 기하학: FRIREN으로 보는 장기 시계열 예측

초록

FRIREN은 정규 흐름 기반의 정규화 흐름 블록에 SPD(대칭 양정정) 야코비안을 스펙트럼 형태로 직접 파라미터화해, Wasserstein‑2 최적 전송을 이용해 데이터의 기하학적 구조를 보존한다. 로렌즈‑63·로스러 등 혼돈 시스템에서 2.5 Lyapunov 시간까지 정확한 예측을 달성하고, 기존 TimeMixer·DLinear 등을 크게 앞선다. 또한 지역·전역 스펙트럼을 통해 성장·감쇠·진동 모드를 해석 가능하게 만든다.

상세 분석

본 논문은 장기 시계열 예측(LTSF)의 핵심 과제가 “점별 예측”이 아니라 “기하학적 구조 보존”임을 강조한다. 이를 위해 Brenier 정리(1991)를 기반으로, 고정된 표준 정규분포(N(0,I))를 데이터 의존적인 타깃 가우시안(N(μ,Σ))으로 최적 전송하는 Wasserstein‑2(O₂) 맵을 명시적으로 모델링한다. O₂ 맵은 항상 볼록 함수의 그래디언트이며, 그 야코비안은 거의 모든 지점에서 SPD(대칭 양정정) 행렬이다. 저자는 이 SPD 행렬을 고유값·고유벡터(Λ, U) 형태로 직접 파라미터화함으로써, 기존 O(n³) 복잡도의 고유값 분해를 O(R·n) 수준으로 낮춘다. 여기서 R은 하우스홀더 반사 수이며, 필요에 따라 전체 회전을 복원하거나 제한된 회전만을 학습할 수 있다.

또한 고차원 시계열을 24‑차원 패치로 분할해 각 패치를 독립적으로 SPD 변환을 적용한다. 패치당 비용은 O(p²)에서 O(R·p)로 감소하고, 패치 간 병렬 처리가 가능해 전체 연산량이 O(R·n) 수준으로 축소된다. 이 구조는 “번역‑회전‑스케일‑역회전” 순서의 affine 변환으로 해석되며, 각 단계가 물리적 의미(이동, 회전, 축소·확대)를 갖는다.

학습은 단순 MSE 손실만 사용하지만, Brenier 정리에 의해 최적 전송이 보장되므로 모델은 자동으로 μ와 Σ를 추정한다. Σ는 실제 데이터 공분산과 정확히 일치할 필요는 없으며, 모델 내부의 “불확실성 신념 상태”로 활용된다. 결과적으로 FRIREN은 점별 예측과 확률적 예측을 동시에 제공할 수 있다(본 논문에서는 점별 예측에 초점을 맞춤).

해석 측면에서는 각 패치의 스펙트럼 반경(최대 고유값)이 시스템의 국소적 스트레칭 정도를 나타내며, 로렌즈‑63 실험에서 고속 구간에서 스펙트럼 반경이 크게 상승함을 확인했다. 이는 모델이 “빠른 움직임”에 더 큰 변형을 적용해야 함을 스스로 학습했음을 의미한다. 전역적으로는 전체 스펙트럼을 Koopman 연산자와 유사한 형태로 해석해, 성장·감쇠·진동 모드를 식별한다.

성능 평가에서 FRIREN은 Lorenz‑63(336‑step 예측)에서 MSE 11.4, MAE 1.6, SWD 0.96을 기록해 TimeMixer(27.3, 2.8, 2.1)를 크게 앞섰으며, 274 step까지 의미 있는 예측을 유지한다(≈2.5 Lyapunov 시간). Rossler 데이터에서도 MSE 0.0349 등 현저히 우수한 결과를 보였다. ETT·Weather 등 실세계 LTSF 벤치마크에서도 경쟁력을 유지한다.

결론적으로 FRIREN은 (1) 기하학적 전송을 최적화하는 이론적 기반, (2) 효율적인 스펙트럼 파라미터화로 계산 복잡도 감소, (3) 지역·전역 해석 가능성을 제공하는 세 축을 동시에 만족한다. 이는 장기 예측 모델 설계에 새로운 패러다임을 제시한다.