현재의 시계열 예측 (TSF, Time Series Forecasting) 연구는 서로 다른 시계열이 유사한 수치적 크기 범위를 공유하는 규모 균질적 (scale-homogeneous) 데이터에 주로 집중되어 있습니다. 그러나 금융 상품 판매와 같은 실제 산업 시나리오에서는 서로 다른 시계열이 종종 수 자릿수만큼 차이가 나는 규모 이질성 (scale heterogeneity)을 보입니다. 이러한 시계열들은 유사한 시간적 패턴을 공유하므로, 더 나은 데이터 활용을 위해 공동 모델링 (joint modeling)이 바람직합니다. 하지만 기존의 스케일링 (scaling) 방법들은 저규모 신호를 압축하거나 (전역 정규화 (global normalization)), 의미적 판별력을 파괴하고 역스케일링 (inverse-scaling) 오류를 증폭시키는 (윈도우 기반 스케일링 (window-based scaling)) 문제를 가지고 있습니다. 본 논문은 각 입력에 맞춤화된 적응형 규모 인자 (adaptive scale factors)를 학습하여, 역스케일링 오류를 줄이면서도 의미적 판별력을 보존하는 자기 적응형 규모 처리 (AS, self-Adaptive Scale-handling) 모듈을 제안합니다. AS는 신경망을 통해 사전 평균 스케일링 인자를 보정하는 규모 보정 (SC, Scale Calibrating)과, 과도한 보정을 방지하기 위해 보정을 적용할지 또는 원래 인자를 유지할지를 결정하는 규모 선택 (SS, Scaling Selection)으로 구성됩니다. Ant Fortune 및 Alipay의 실제 펀드 판매 데이터셋을 이용한 실험 결과, AS는 대중적인 TSF 모델들에 원활하게 통합되며 모델의 성능을 일관되게 향상시킴을 보여주었습니다. 코드와 데이터셋은 https://github.com/Meteor-Stars/ASTSF 링크에서 확인할 수 있습니다.