실제 세계의 시계열 예측은 시간 경과에 따른 평균과 분산의 변화와 같은 비정상적인 통계적 특성을 극복하는 근본적인 과제를 직면합니다. 가역 인스턴스 정규화 (Reversible Instance Normalization, RevIN) 는 입력을 정상화하고 출력을 역정규화함으로써 유망한 결과를 보여주었지만, 역사적 분포와 미래 분포가 동일하게 유지된다는 강력한 가정 위에 기반합니다. 우리는 많은 실제 응용 프로그램에서 분포 변화는 계절성과 휴일 변동성 등 주기적 위치와 상관관계를 가진 순환 패턴을 따른다고 관찰했습니다. 이 목적에 따라, PAMod 를 제안합니다. PAMod 는 정규화된 특징 공간 (normalized feature space) 을 통해 위상 - 진폭 변조 (Phase-Amplitude Modulation) 를 사용하여 순환적 분포 변화를 모델링하는 경량적이면서도 강력한 프레임워크입니다. PAMod 는 주기적 임베딩을 학습하여 표현을 변조합니다: 위상 변조는 평균 변화, 진폭 변조는 분산 변화를 적응시킵니다. 중요한 것은 정규화 공간에서 변조하는 것이 동적 역정규화를 적용하는 것과 수학적으로 동등함을 증명했다는 점입니다. 이는 분포 적응과 표현 학습의 우아한 통합을 제공합니다. 12 개의 실제 세계 벤치마크 (real-world benchmarks) 에서 수행된 광범위한 실험은 PAMod 가 더 적은 계산 자원으로도 최상의 성능을 달성함을 보여줍니다. 또한, 우리의 변조 기법은 새로운 플러그 앤 플레이 (plug-and-play) 기술로서 기존 시계열 예측 방법을 간단한 통합으로 개선할 수 있습니다.