CSP: 훈련 없이도 확률적 시계열 예측 가능 (Conformal Seasonal Pools)

요약

본 논문은 훈련 과정이 필요 없는(training-free) 확률적 시계열 예측자인 Conformal Seasonal Pools (CSP)를 제안합니다. CSP는 계절성 기반의 나이브 예측과 잔차 분석을 결합하여, 기존의 최첨단 모델인 DeepNPTS보다 여러 주요 지표에서 압도적으로 우수한 성능을 보였습니다. 특히, 안전성과 결정성이 중요한 의료, 금융, 에너지 등 실제 응용 분야에서 신뢰할 수 있는 예측 구간(coverage)을 제공하며, 계산 효율성까지 높여 실질적인 가치를 입증했습니다.

핵심 포인트

• CSP는 훈련 과정 없이도 (training-free) 확률적 시계열 예측이 가능하게 합니다.
• 다양한 데이터셋에서 DeepNPTS 등 기존 모델을 모든 지표로 압도적으로 능가하는 성능을 보였습니다.
• 특히, 신뢰성 및 안전성이 중요한 응용 분야(의료, 금융, 에너지)에서 필수적인 높은 커버리지(coverage)를 달성했습니다.
• 기존 모델 대비 계산 속도가 500배 빠르다는 점에서 실시간 배포에 매우 유리합니다.