본 논문은 합성곱 신경망(CNN)으로 구성된 트랜스포머 모델에 기반한 다변량 시계열 예측 프레임워크를 제안한다. 제안된 모델은 CNN을 통해 입력 데이터의 시간적 특징을 추출하고, 주의(attention) 메커니즘을 통해 변수 간 상관관계를 해석하는 구조를 가진다. 본 프레임워크는 기존 연구에서 제시된 예측 모델들이 가지는 한계인, 입력 데이터의 시간적 특징과 변수 간 상관관계를 동시에 분석하지 못하는 문제를 해결한다. 제안 모델을 정밀하게 평가하기 위해 다양한 데이터 특성을 가진 여러 시계열 데이터셋을 사용하여 예측 실험을 설계하였다. 또한 제안 모델과 최근 연구에서 제안된 여러 예측 모델 간의 비교 실험을 수행하였다. 더 나아가 모델의 특정 층을 대체하여 예측 모델에서 제안된 CNN 구조의 예측 결과에 대한 영향 정도를 평가하는 절제(ablation) 연구를 수행하였다. 실험 결과, 제안된 예측 모델은 명확한 주기를 가지며 변수 간 상관관계가 높은 시계열 데이터를 예측하는 데 있어 우수한 성능을 보였고, 기존 연구의 시계열 예측 모델에 비해 정확도가 약 3%~5% 향상되는 것으로 나타났다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.