arXiv:2606.17996v1 cs.LG

채널 상관관계를 갖는 다중 주기성과 웨이블릿 분해를 이용한 장기 시계열 예측

Multiple cyclicity and Wavelet Decomposition with Channel Correlation for Long-term Time Series Forecasting

Bin Wang, Heming Yang, Jinfang Sheng

제출 2026-06-16

한국어 초록

주기성과 추세는 시계열 데이터의 중요한 구성 요소이며, 이를 기반으로 한 많은 연구가 장기 시계열 예측에서 좋은 결과를 달성했습니다. 그러나 우리는 현재 연구들이 시계열 데이터 내 현실 세계의 채널 간 상관관계의 영향을 간과하여 최적이 아닌 예측을 초래한다고 봅니다. 더욱이, 이러한 모델들은 다양한 정보를 포착하기 위해 복잡한 설계에 의존함으로써 계산 효율성이 낮습니다. 이러한 문제를 해결하기 위해 우리는 주기성, 추세, 그리고 채널 간 상관관계를 각각 모델링하는 장기 시계열 예측 모델인 McWC를 제안합니다. 구체적으로, McWC는 먼저 다층 주기성 구성 모듈을 사용하여 데이터에서 주기적 정보를 분리합니다. 그 다음, 다층 퍼셉트론(multi-layer perceptron)을 사용하여 채널 간 상관관계를 추출합니다. 이어서, 다중 레벨 웨이블릿 분해 모듈을 사용하여 데이터의 다층 고주파 및 저주파 정보를 모델링하고 융합합니다. 마지막으로, 서로 다른 구성 요소의 결과를 집계하여 출력을 얻습니다. 동시에, 주파수 영역에서 손실 함수를 계산하여 채널 내 자기상관관계를 분리합니다. 6개의 실제 데이터셋에 대한 실험 결과, McWC는 최첨단(state-of-the-art) 성능을 달성하며 뛰어난 계산 효율성과 과거 정보 추출 능력을 보여주었습니다.

원문 초록

Cyclicity and trend are important components of time series data and many studies based on cyclicity and trend have achieved good results in long-term time series forecasting. However, we believe that current work neglects the influence of real-world inter-channel correlations in time series data which leads to suboptimal predictions. Furthermore, these models rely on complex designs to capture diverse information so that resulting in low computational efficiency. To address this challenge, we propose McWC, a long-term time series forecasting model that separately models the cyclicity, trend, and inter-channel correlations. Specifically, McWC first decouples cyclical information from data using a multi-layer cyclicity construction module. Then, it extracts inter-channel correlations using multi-layer perceptron. Next, it models and fuses the multi-layer high-frequency and low-frequency information from data using a multi-level wavelet decomposition module. Finally, it aggregates the results of different components to obtain the output. Simultaneously, we decouple intra-channel autocorrelations by calculating a loss function in the frequency domain. Experiments on six real-world datasets demonstrate that McWC achieves state-of-the-art performance, exhibiting excellent computational efficiency and historical information extraction capabilities.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.17996v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.15760v1cs.LG공통 태그 Time Series, Time Series Analysis, Time Series Forecasting

학습 가능한 분해 및 다양체 역학을 활용한 쌍곡 시계열 예측

Hyperbolic Time Series Forecasting with Learnable Decomposition and Manifold Dynamics

다중 스케일(multiscale) 구조는 시계열 예측의 핵심입니다. 시간 신호는 천천히 변화하는 트렌드, 중간 수준의 계절적 패턴, 그리고 고주파수 잔차를 포함합니다. 기존 예측 모델은 이러한 다중 스케일 구조를 유클리드 공간에서 모델링하여, 구성 요소들 사이에 유도되는 순서를 표현하지 못합니다. 본 연구에서는 종속 분해(cascaded decomposition)가 구성 요소들을 고유 주파수에 따라 정렬하여 자연스러운 주파수 계층을 형성함을 확인했습니다. 이 계층 구조는 반경에 따라 표현 용량이 증가하고 중첩된 계층 구조를 자연스럽게 수용하는 쌍곡 공간(hyperbolic space)의 지수적 부피 증가 특성과 잘 부합합니다. 이에 따라 본 연구에서는 쌍곡 공간에서 작동하는 최초의 장기 시계열 예측(LTSF) 프레임워크인 HyperForecast를 제안합니다. HyperForecast는 원점 근처의 저주파수 성분부터 경계 근처의 고주파수 성분에 이르기까지 반지름 거리가 이러한 중첩 구조를 포착하도록, 분해된 시간 구간을 푸앵카레 공(Poincaré ball) 위에 임베딩합니다. 또한 측지선 속도(geodesic velocity)를 두 가지 다양체 역학(manifold dynamics) 변형을 통해 모델링합니다: (a) 푸앵카레 잔차 역학을 통한 자기회귀 예측, (b) 모든 미래 구간을 병렬로 예측하는 비자기회귀 예측입니다. HyperForecast는 11개 장기 예측 벤치마크 중 9개에서 기존 및 최고 수준(SOTA)의 베이스라인 모델을 일관되게 능가하며, 긴 예측 구간에서 평균 제곱 오차(MSE)를 최대 58%까지 낮췄습니다. 추가 분석을 통해 학습된 반경 임베딩이 주파수 계층을 성공적으로 복원하며, 쌍곡 기하학이 예측 성능에 실질적으로 기여함을 밝혔습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.