주기성 (Cyclicity)과 추세 (trend)는 시계열 데이터의 중요한 구성 요소이며, 주기성과 추세에 기반한 많은 연구들이 장기 시계열 예측 (long-term time series forecasting)에서 좋은 성과를 거두었습니다. 그러나 우리는 현재의 연구들이 시계열 데이터 내의 실제 채널 간 상관관계 (inter-channel correlations)의 영향을 간과하고 있으며, 이것이 최적화되지 않은 예측으로 이어진다고 믿습니다. 또한, 이러한 모델들은 다양한 정보를 포착하기 위해 복잡한 설계에 의존하므로 결과적으로 계산 효율성 (computational efficiency)이 낮습니다. 이러한 과제를 해결하기 위해, 우리는 주기성, 추세, 그리고 채널 간 상관관계를 별도로 모델링하는 장기 시계열 예측 모델인 McWC를 제안합니다. 구체적으로, McWC는 먼저 다층 주기성 구축 모듈 (multi-layer cyclicity construction module)을 사용하여 데이터로부터 주기적 정보를 분리합니다. 그 다음, 다층 퍼셉트론 (multi-layer perceptron)을 사용하여 채널 간 상관관계를 추출합니다. 이어서, 다층 웨이브렛 분해 모듈 (multi-level wavelet decomposition module)을 사용하여 데이터로부터 다층 고주파 (high-frequency) 및 저주파 (low-frequency) 정보를 모델링하고 융합합니다. 마지막으로, 서로 다른 구성 요소들의 결과를 집계하여 출력을 얻습니다. 동시에, 우리는 주파수 영역 (frequency domain)에서 손실 함수 (loss function)를 계산함으로써 채널 내 자기상관 (intra-channel autocorrelations)을 분리합니다. 6개의 실제 데이터셋에 대한 실험을 통해 McWC가 최첨단 (state-of-the-art) 성능을 달성하며, 뛰어난 계산 효율성과 과거 정보 추출 능력을 보여줌을 입증하였습니다.