장기 시계열 예측: 아핀 매핑의 역할 재조명

장기 시계열 예측(LTSF)은 최근 큰 주목을 받고 있으며, 다양한 특화 모델들이 제안되었음에도 불구하고 단순 선형 레이어가 경쟁력 있는 성능을 보이는 연구 결과들이 발표되었습니다. 본 연구는 최신 LTSF 접근법의 본질적인 효과를 탐구하고, 아핀 매핑(affine mapping)의 핵심적인 역할을 규명합니다. 시뮬레이션 및 실제 데이터셋을 활용한 광범위한 실험을 통해 최신 모델들의 구성 요소를 분석했습니다. 특히 주기 신호 예측에서 아핀 매핑의 작동 메커니즘을 설명하는 이론적 분석을 제공하며, 가역 정규화(reversible normalization)와 입력 구간 확장(input horizon extension)이 모델 견고성에 미치는 영향을 평가했습니다. 연구 결과, 아핀 매핑이 일반적인 벤치마크에서 예측 성능을 지배하며, 모델들이 유사한 전이 행렬을 학습함을 확인했습니다. 아핀 매핑은 주기적 패턴을 효과적으로 포착하지만, 비주기적 신호나 채널별 주기가 다른 시계열에는 한계를 보였습니다. 가역 정규화는 비주기적 경향을 주기적 패턴처럼 변환하여 경향 예측을 크게 향상시켰고, 입력 구간 확장은 채널별 주기가 다른 다채널 데이터에서 성능 개선에 기여했습니다. 본 연구는 LTSF 모델의 작동 메커니즘에 대한 이론적, 실험적 통찰을 제공하며, 선형 접근법의 강점과 한계를 명확히 제시합니다. 향후 모델 개발은 채널 간 주기 변화 및 비주기적 구성 요소 처리에 중점을 두어야 할 것입니다.