장기 시계열 예측 (Long-term time series forecasting)은 전력 수요, 교통 흐름, 기상 관측, 재생 에너지 급전과 같은 분야에서 광범위하게 활용됩니다. 동적으로 변화하는 장기 시계열을 예측하는 것은 통계적 비정상성 (statistical nonstationarity), 국소적 고주파 교란 (local high-frequency disturbances), 그리고 결합된 교차 주기 의존성 (coupled cross-period dependencies)을 포함하는 고유한 과제를 안겨주며, 이는 경량 모델이 파라미터 효율성과 예측 성능 사이의 균형을 맞추는 것을 어렵게 만듭니다. 이 문제를 해결하기 위해, 본 연구는 SparseTSF의 희소 교차 주기 모델링 (sparse cross-period modeling) 프레임워크를 기반으로 구축된 경량 교차 주기 예측 모델인 TA-SparseMG를 제안합니다. 이 모델은 세 가지 핵심 모듈을 포함합니다: 추세 인식 가역 인스턴스 정규화 (trend-aware reversible instance normalization) 모듈, 스케일 적응형 게이트형 노이즈 제거 (scale-adaptive gated denoising) 모듈, 그리고 멀티스케일 게이트형 어텐션 MLP (multiscale gated-attention MLP) 예측 모듈입니다. 추세 인식 정규화 모듈은 입력 윈도우 통계량을 포착하고 예측 윈도우 분포를 보정하여 분포 변화 (distribution shift)를 효과적으로 완화합니다. 스케일 적응형 게이트형 노이즈 제거 모듈은 주기 재배열 (period rearrangement) 전에 특징 평활화 (feature smoothing) 및 잔차 억제 (residual suppression)를 수행하여 고주파 섭동 (high-frequency perturbations)으로부터의 간섭을 줄입니다. 멀티스케일 게이트형 어텐션 예측 모듈은 조건부 게이팅 (conditional gating) 및 특징 변조 (feature modulation)를 통해 예측 헤드의 적응형 표현 능력 (adaptive representational capacity)을 강화합니다. 다양한 LTSF 벤치마크에 걸친 광범위한 실험을 통해 제안된 TA-SparseMG가 일관되게 우수하고 안정적인 성능을 달성함을 입증했습니다. 절제 연구 (Ablation studies)를 통해 각 모듈이 분포 적응 (distribution adaptation), 입력 견고성 (input robustness), 그리고 교차 주기 특징 매핑 (cross-period feature mapping) 능력을 독립적으로 향상시킨다는 것을 확인했습니다.