PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

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.