실제 세계의 시계열 데이터는 센서 비활성화, 전송 지연, 이벤트 기반 샘플링 등으로 인해 종종 매우 불완전하고 불규칙하여 신뢰할 수 있는 예측 자체가 근본적으로 어렵습니다. 기존 방법들은 결측치 대체 후 예측(impute-then-forecast) 파이프라인에서 Neural ODEs와 같은 연속 시간 모델 및 연속 시간 그래프 네트워크로 발전해 왔습니다. 이러한 접근 방식들이 역사적 불규칙성을 모델링하는 데는 개선을 가져왔지만, 여전히 추론 시점에 암묵적인 오라클 가정(implicit oracle assumption)에 의존합니다. 즉, 미래의 유효 관측값 타임스탬프가 사전에 알려져 있다고 가정합니다. 이 가정이 실질적인 관련성을 제한하는데, 많은 실제 시스템에서 근본적인 질문은 미래 값이 무엇일지뿐만 아니라 아예 유효한 관측이 발생할 것인지 여부입니다. 본 논문에서는 예측을 미래 관측 가능성 추론과 값 추정의 공동 문제로 재구성하는 통합 프레임워크인 Timeflies를 제안합니다. 관측 역학(observation dynamics)과 상태 진화 간의 상호작용을 명시적으로 모델링하기 위해, Timeflies는 신뢰도 인식 임베딩(reliability-aware embedding), 관측 유도 의존성 모델링(observation-guided dependency modeling), 그리고 공동 예측을 위한 세 가지 전용 모듈을 통해 관측 스트림과 값 스트림을 결합합니다. 나아가 공공 데이터셋의 자연적인 결측치와 실제 산업 데이터를 결합한 벤치마크인 Shadow를 구축하고, 이 결합된 예측 가능성을 종합적으로 평가하기 위해 Observation-Value Joint Entropy (OVJE) 지표를 도입합니다. 광범위한 실험 결과는 Timeflies가 기존 방법들을 일관되게 능가하며, 결측치가 있는 시계열 예측에서 미래 관측 가능성을 명시적으로 모델링하는 것의 중요성을 강조합니다. 코드와 데이터셋은 https://github.com/ant-intl/Timeflies에서 이용 가능합니다.