딥러닝 기반 시계열 예측 (time series forecasting)을 통한 의사결정에는 정확한 예측뿐만 아니라 실행 가능한 통찰 (actionable insights)이 필요합니다. 그러나 현재의 아키텍처들은 이러한 정보를 본질적으로 제공하지 않습니다. 구체적으로, 예측된 결과에서 원하는 미래 시나리오로 전환하기 위해 현재 조건이 어떻게 수정되어야 하는지에 대한 가이드가 필요합니다. 반사실적 설명 (Counterfactual explanations)은 모델의 예측을 변화시키는 최소한의 입력 변화를 나타내어, 언제 그리고 어떻게 개입 (intervention)이 필요한지를 지시하므로 이 작업에 자연스러운 프레임워크를 제공합니다. 기존 방식들은 인스턴스별 최적화 (instance-wise optimization)에 의존하여, 인스턴스 간의 불일치, 높은 계산 비용, 그리고 실시간 환경에서의 제한된 적용성이라는 문제를 야기합니다. 이러한 한계를 해결하기 위해, 우리는 시계열 예측을 위한 반사실적 생성을 전역적으로 일관된 개입 전략 (globally consistent intervention strategy)을 학습하는 문제로 재구성하여, 단일 공유 함수를 통해 반사실적 사례를 생성할 수 있도록 합니다. 우리는 시간적 맥락 인코더 (temporal context encoder)와 조건부 인코더 (conditional encoder)로 구성되고, 시간적 관련성 (temporal relevance)과 수정 강도 (modification strength) 측면에서 개입을 포착하는 두 개의 헤드로 이어지는 모델 불가지론적 (model-agnostic)이고 분해된 아키텍처인 ConTex (Counterfactual Time Series Explanations)를 제안합니다. 이 구조는 단일 순전파 (forward pass)를 통해 시간 및 특징 차원에서 타겟팅된 해석 가능한 개입을 생성함으로써 인스턴스 기반 방식의 불안정성과 불일치를 극복하며, 실시간 애플리케이션에 적합하게 만듭니다. 다양한 예측 아키텍처와 벤치마크 데이터셋에 대해, ConTex는 필요한 개입 횟수를 최소화하는 희소한 반사실적 사례 (sparse counterfactuals)를 생성하면서도 최첨단 (state-of-the-art)의 타당성 (validity)을 달성합니다. 또한, 우리의 접근 방식은 인스턴스별 생성 방식과 비교하여 계산 비용을 최소 12~36배 절감하며, 약 0.007초의 실시간 추론 (real-time inference)을 지원합니다.