LeapTS: 시계열 예측을 적응형 다중 호라이즌 스케줄링으로 재고찰하기

시계열 예측은 자원 최적화 및 의사 결정과 같은 많은 실제 애플리케이션에 필수적인 도구입니다. 상당한 아키텍처 발전에도 불구하고, 대부분의 현대 모델은 여전히 예측 작업을 과거 기록에서 목표 호라이즌으로 가는 고정된 매핑으로 취급합니다. 이는 미래 시간 지점들 간의 시간적 디커플링(temporal decoupling)을 유발하고, 예측이 진행됨에 따라 진화하는 상황에 적응할 수 있는 모델의 능력을 제한합니다. 본 논문에서는 시계열 예측을 예측 호라이즌에 걸친 동적 스케줄링 프로세스로 재정립한 새로운 프레임워크인 LeapTS를 제시합니다. 구체적으로, LeapTS는 다음 두 가지 요소를 사용하여 예측 과정을 다단계 결정으로 구성합니다: (1) 각 단계에서 최적의 예측 규모 및 전진 길이를 동적으로 선택하는 계층적 컨트롤러(hierarchical controller), 그리고 (2) 신경 제어 미분 방정식(neural controlled differential equations)에 의해 구동되는 연속 시간 상태 진화입니다. 이 과정 내에서, 제어 업데이트 메커니즘은 불규칙한 시간 역학을 이산 스케줄링 피드백과 명시적으로 결합합니다. 실제 및 합성 데이터셋 모두에 대한 광범위한 평가를 통해 LeapTS가 대표적인 Transformer 기반 모델 대비 전반적인 예측 성능을 최소 7.4% 향상시키면서도, 추론 속도를 2.6$ imes$에서 5.3$ imes$까지 개선함을 입증했습니다. 나아가, 스케줄링 궤적(scheduling trajectories)을 명시적으로 추적함으로써, 모델이 비정상성 역학(non-stationary dynamics)을 포착하기 위해 예측 행동을 자율적으로 적응시키는 방식을 밝혀냈습니다.