현대적인 딥러닝 (Deep-learning) 모델들은 시계열 예측 (Time-series forecasting) 분야에서 놀라운 성공을 거두었습니다. 하지만 예측값이 재귀적으로 입력값으로 사용되는 자기회귀 추론 (Autoregressive inference) 과정에서 발생하는 오차 누적 (Error accumulation)으로 인해, 장기 예측 (Long-term prediction) 시 성능이 저하되는 문제가 있습니다. 고전적인 오차 수정 메커니즘 (Error correction mechanisms, ECMs)은 통계적 방법론에서 오랫동안 사용되어 왔으나, 딥러닝 모델에 대한 적용 가능성은 여전히 제한적이거나 효과가 미비합니다. 본 연구에서는 딥 시계열 예측에서의 오차 누적 문제를 재검토하고, 이러한 새로운 맥락에서 ECM의 역할과 필요성을 조사합니다. 우리는 재학습 없이도 기존의 어떤 예측기 (Forecaster)와도 통합할 수 있는, 아키텍처에 구애받지 않는 (Architecture-agnostic) 단순한 오차 수정 모델을 제안합니다. 예측값을 추세 (Trend) 및 계절성 (Seasonal) 성분으로 명시적으로 분해하고, 수정기 (Corrector)가 각 성분을 별도로 조정하도록 학습시킴으로써, 우리는 계절성-추세 분해를 이용한 범용 오차 수정기 (Universal Error Corrector with Seasonal-Trend Decomposition, UEC-STD)를 도입합니다. 이는 4개의 백본 (Backbones)과 10개의 데이터셋에 걸쳐 수정 정확도와 강건성 (Robustness)을 크게 향상시킵니다. 우리의 연구 결과는 예측 성능을 높이기 위한 실용적인 도구를 제공하는 동시에, 딥 시계열 모델에서 자기회귀 오차 (Autoregressive errors)를 완화하는 방법에 대한 새로운 통찰을 제공합니다. 코드는 https://github.com/DA2I2-SLM/UEC-STD 에서 확인할 수 있습니다.