시계열 예측 딥러닝: 아키텍처 다양성

시계열 예측은 경제 계획, 공급망 관리, 의료 진단 등 다양한 분야의 의사결정에 필수적인 정보를 제공하는 핵심 과제입니다. 과거 전통적인 통계 및 머신러닝 방법론을 넘어, MLP, CNN, RNN, GNN 등 다양한 딥러닝 아키텍처가 시계열 예측 문제 해결에 적용되어 왔습니다. 그러나 각 아키텍처의 귀납적 편향으로 인한 구조적 한계는 성능 제약을 초래했습니다. 장기 의존성 처리에 탁월한 트랜스포머 모델이 시계열 예측의 중요한 아키텍처로 부상했으나, 최근 연구에서는 단순 선형 레이어와 같은 대안이 트랜스포머를 능가할 수 있음을 보여주었습니다. 이러한 발견은 기본적인 딥러닝 모델부터 새로운 아키텍처 및 하이브리드 접근 방식에 이르기까지 다양한 아키텍처 활용의 새로운 가능성을 열었으며, 시계열 예측의 아키텍처 모델링은 현재 르네상스 시대를 맞이하고 있습니다. 본 연구는 시계열 예측의 역사적 맥락을 제공할 뿐만 아니라, 아키텍처 다양화를 향한 움직임을 포괄적이고 시의적절하게 분석합니다. 다양한 딥러닝 모델을 비교 및 재검토하여 새로운 관점을 제시하고, 하이브리드, 확산, Mamba, 파운데이션 모델 등 시계열 예측의 최신 동향을 소개합니다. 또한, 시계열 데이터의 고유한 특성에 초점을 맞춰 채널 의존성, 분포 변화, 인과 관계, 특징 추출 등 시계열 예측에서 주목받는 미해결 과제들을 다룹니다. 이 조사는 다양한 접근 방식을 통해 예측 성능을 향상시킬 수 있는 핵심 요소를 탐구하며, 체계적인 분석을 제공하여 신규 연구자들의 진입 장벽을 낮추는 데 기여합니다. 본 연구는 시계열 예측 분야의 현재와 미래를 조망하는 중요한 자료가 될 것입니다.