PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13588v1stat.AP

시간 가변적 계층 인프라에서의 전기차 충전 확률적 예측

Probabilistic Forecasting of Electric Vehicle Charging in a Time-varying Hierarchical Infrastructure

전기차(EV) 보급 확대가 전력 시스템에 가하는 부담을 유연성의 원천으로 전환하기 위해서는 전기차 충전 수요에 대한 불확실성 정량화가 필수적이다. 본 연구에서는 개별 충전 지점부터 지역 및 국가 단위에 이르기까지 여러 집계 수준에 걸쳐 계층적 구조를 보이는 스코틀랜드의 대규모 공공 충전소 데이터셋을 분석한다. 충전 인프라는 새로운 충전소가 설치되고 기존 충전소가 때때로 제거되는 등 지속적으로 변화하고 있으며, 이에 따라 이러한 진화하는 구조에 맞춤화된 예측 및 불확실성 정량화 기법이 요구된다. 이러한 문제를 해결하기 위해, 계층적 예측과 결측 데이터를 다루는 등각 예측(conformal prediction)의 최신 발전 성과를 결합한다. 고려된 등각 절차는 계층 구조의 모든 노드에서 유효한 예측 구간을 생성하며, CP-MNR-Nested 알고리즘은 데이터의 시간 가변적 계층 구조를 성공적으로 반영한다.

arXiv:2609.27912v1cs.LG

글로벌 트리 예측 모델은 계층적 집계 수준에서 붕괴한다: 다섯 개 패널에 대한 실패 특성 분석

Global tree forecasters collapse at the hierarchical aggregate: a five-panel failure characterization

글로벌 예측 모델(global forecasting model)은 다수의 시계열을 풀링(pooling)하여 하나의 공유 함수를 학습한다. 그래디언트 부스팅 트리(Gradient-boosted trees)가 가장 널리 쓰이는 형태이다. 본 연구는 우리가 아는 한 아직 문서화된 적 없는 이 설계의 실패를 측정한다. 계층 구조의 개별 시계열로 글로벌 트리를 학습시킨 뒤 계층적 집계값(hierarchical aggregate)에 대한 예측을 요청하면, 집계값은 모델의 학습 범위를 크게 벗어나 있어 예측이 붕괴한다. 이 모델은 실제 운영 환경에서 총합을 30~50배 과소 예측하며, 공개 M5 재구성 데이터에서는 최대 496배까지 과소 예측한다. 그 메커니즘은 이미 알려져 있다. 트리는 학습 범위를 벗어나면 상수를 예측한다. 이것이 집계 수준에서 나타나는 이유는 총합이 모든 학습 시계열을 압도하기 때문이다. 해결책 또한 새로운 것이 아니다. Montero-Manso와 Hyndman(2021)이 권장하는 전처리 단계인 시계열별 스케일링(per-series scaling)은 붕괴를 방지한다. 가중치를 부여한 집계 수준 학습 행(weighted aggregate-level training row)과 계절 차분(seasonal differencing) 역시 마찬가지이다. 본 연구의 기여는 이 현상의 특성 분석에 있다. 붕괴는 운영 중인 기업 간 거래(B2B) 마켓플레이스, 합성 계층 구조, M5, Australian Tourism, 공개 비즈니스 구매자 패널이라는 다섯 개 패널에서 재현된다. 이는 세 가지 트리 라이브러리에서 성립하고, 학습 시드(seed)에 관계없이 일정하며, 통계적으로 유의하다. 붕괴는 즉각적으로 시작되며 단순한 지지 범위(support) 한계를 따른다. 스케일 격차가 겨우 1.15배만 되어도 이미 총합의 3분의 1을 잃는다. 표준적인 설정 변경으로는 이를 막을 수 없다. 모든 계층 수준을 학습에 풀링하는 방식은 대규모에서 실패하며, 리프(leaf)에 선형 모델을 적합하는 유일한 설정 옵션은 붕괴를 완화하지만 해소하지는 못한다. 예측을 재귀적으로 앞으로 굴리는(rolling forward) 실험은 해결책들을 구분해 준다. 집계 행 방식은 다시 붕괴하고, 시계열별 스케일링은 성능이 저하되지만 낮은 수준에 머물며, 오직 계절 차분만이 1단계(one-step) 예측 정확도를 그대로 유지한다. 마지막으로 운영 중인 시스템에서 이 실패를 진단하고 예방하기 위한 3단계 절차를 제시한다.

arXiv:2606.28553v1cs.LG

구조적 시간적 융합을 활용한 계층적 시계열 예측의 일관성 향상

Improving Coherence in Hierarchical Time Series Forecasting using Structured Temporal Fusion

소매 판매, 에너지 사용량, 공급망 계획 등 많은 실세계 응용에서 예측은 계층적 구조에 걸쳐 수행됩니다. 이러한 구조는 흔히 집계 관계(예: 제품 → 카테고리 → 지역)를 나타내며, 예측값은 정확할 뿐만 아니라 일관성(coherence), 즉 하위 수준의 예측값이 상위 수준의 예측값에 올바르게 합산되어야 합니다. Bottom-Up이나 MinT와 같은 전통적인 통계적 방법은 후처리를 통해 일관성을 강제하지만, 복잡한 비선형 시간적 의존성과 공변량 상호작용을 모델링하는 데 한계가 있습니다. 우리는 Hierarchical Temporal Fusion(HTF)을 제안합니다. 이는 Temporal Fusion Transformer(TFT)의 새로운 확장으로, 구조화된 계층적 임베딩과 일관성 인식 손실 함수를 통합하여 계층의 모든 수준에서 일관된 예측을 보장합니다. HTF는 예측 후 조정(reconciliation)을 적용하는 대신, 학습 목적 함수에 일관성을 직접 내재화합니다. 일관성 손실은 학습 중 집계된 자식 예측값과 해당 부모 예측값 간의 차이를 페널티로 부과함으로써, 모델이 시간적 동태와 구조적 일관성을 동시에 학습할 수 있게 합니다. 우리는 HTF를 두 개의 공개 벤치마크 데이터셋인 M5 Walmart 예측 데이터셋과 공개된 계층적 에너지 소비 데이터셋에서 평가합니다. 결과는 HTF가 고전적인 조정 방법 및 심층 학습 기준 모델과 비교하여 예측 비일관성을 크게 줄이면서 예측 정확도를 향상시킴을 보여줍니다. 또한 어텐션 시각화와 임베딩 분석을 통해 시간적 정보와 구조적 정보가 계층적 예측 성능에 어떻게 기여하는지에 대한 인사이트를 제공합니다.