LeapTS: 시계열 예측을 적응형 다중 호라이즌 스케줄링으로 재고찰하기

요약

LeapTS는 시계열 예측을 고정된 매핑이 아닌 동적 스케줄링 프로세스로 재정의하는 새로운 프레임워크입니다. 이 모델은 계층적 컨트롤러와 신경 제어 미분 방정식을 결합하여, 각 단계에서 최적의 예측 규모 및 전진 길이를 동적으로 결정합니다. 광범위한 평가 결과, LeapTS는 기존 Transformer 기반 모델 대비 예측 성능을 크게 향상시키고 추론 속도를 개선하는 동시에, 비정상성 역학 포착 능력을 입증했습니다.

핵심 포인트

• 시계열 예측의 한계를 극복하기 위해 예측 과정을 동적 스케줄링 프로세스로 재구성함.
• LeapTS는 계층적 컨트롤러와 신경 제어 미분 방정식을 사용하여 다단계 결정 기반의 연속 시간 상태 진화를 구현함.
• 제안된 프레임워크는 불규칙한 시간 역학을 이산 스케줄링 피드백과 명시적으로 결합하는 것이 특징임.
• 실험 결과, LeapTS는 기존 Transformer 모델 대비 예측 성능을 7.4% 이상 향상시키고 추론 속도를 개선함.