우리는 시계열 집단 (series population)의 전역적 위상 구조 (global topological structure)를 모든 예측 모델의 명시적인 입력으로 만드는 프레임워크인 TopoPrimer를 소개합니다. TopoPrimer는 다양한 도메인에서 정확도를 향상시키고, 계절적 수요 급증 시 예측을 안정화하며, 콜드 스타트 (cold-start) 격차를 해소합니다. 지속성 호몰로지 (persistent homology)와 스펙트럼 셰프 좌표 (spectral sheaf coordinates)를 통해 도메인당 한 번 사전 계산되는 TopoPrimer는, 완전히 학습된 모델의 경우 토큰별로 배포되며 사전 학습된 백본 (pre-trained backbones)의 경우 경량 어댑터 (lightweight adapter)로 배포됩니다. 이 두 구성 요소 중 셰프 좌표 (sheaf coordinates)가 정확도 향상의 주요 동인입니다. Chronos 및 TimesFM에 대한 4개의 공개 벤치마크 전반에서 TopoPrimer는 예측 정확도를 일관되게 향상시켰으며, ECL에서 최대 7.3%의 MSE 개선을 보였습니다. 위상적 이점은 제로샷 (zero-shot) 및 미세 조정 (fine-tuned) 백본 모두에서 거의 동일한 규모로 지속되며, 이는 위상 (topology)과 개별 시계열 학습 (per-series training)이 상호 보완적인 신호를 포착함을 시사합니다. 이러한 이점은 어려운 상황에서 가장 두드러집니다. 계절적 수요가 정점에 달할 때, 전통적인 모델과 제로샷 모델은 성능이 최대 50%까지 저하되는 반면, TopoPrimer는 10% 이내를 유지합니다. 아이템 이력이 없는 콜드 스타트 상황에서 TopoPrimer는 위상이 없는 베이스라인 (topology-free baseline) 대비 MAE를 27% 감소시킵니다.