arXiv:2606.28553v1 cs.LG

구조적 시간적 융합을 활용한 계층적 시계열 예측의 일관성 향상

Improving Coherence in Hierarchical Time Series Forecasting using Structured Temporal Fusion

Ruchi Pakhle

제출 2026-06-26

한국어 초록

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.

원문 초록

In many real-world applications, such as retail sales, energy usage, and supply chain planning, forecasting is performed across hierarchical structures. These structures often represent aggregations (e.g., products to categories to regions), where forecasts must not only be accurate but also coherent, meaning that lower-level predictions sum correctly to higher-level forecasts. Traditional statistical methods, such as Bottom-Up and MinT, enforce coherence through post-processing but fail to model complex nonlinear temporal dependencies and covariate interactions. We propose Hierarchical Temporal Fusion (HTF), a novel extension of the Temporal Fusion Transformer (TFT) that integrates structured hierarchical embeddings with a coherence-aware loss function to ensure consistent forecasts across all levels of a hierarchy. Rather than applying reconciliation after forecasting, HTF embeds coherence directly into the training objective. The coherence loss penalizes the difference between aggregated child forecasts and their corresponding parent forecasts during training, enabling the model to learn both temporal dynamics and structural consistency simultaneously. We evaluate HTF on two publicly available benchmark datasets: the M5 Walmart forecasting dataset and a publicly available hierarchical energy consumption dataset. Results demonstrate that HTF substantially reduces forecast incoherence while improving forecasting accuracy compared with classical reconciliation methods and deep learning baselines. In addition, attention visualization and embedding analysis provide insight into how temporal and structural information contribute to hierarchical forecasting performance.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.28553v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2609.27867v1cs.LG공통 태그 Time Series Analysis, Prediction, Time Series Forecasting

평가 선택이 예측 리더보드를 결정한다: 실제 운영 마켓플레이스 패널로부터의 증거

Evaluation Choices Decide the Forecasting Leaderboard: Evidence from a Production Marketplace Panel

예측 벤치마크는 어떤 방법이 이겼는지를 보고한다. 우리는 그 답이 모델을 학습하기도 전에 평가자의 선택에 의해 정해진다는 점을 보인다. 우리는 2025년대의 시계열 파운데이션 모델(time series foundation model) 6종을 포함한 24가지 예측 방법과 교과서적 기준 방법 하나를, 67개월에 걸친 1,887개 기업 고객으로 구성된 실제 운영 마켓플레이스 패널에서 벤치마크한다. 데이터, 예측 구간(horizon), 기간은 고정하고 평가 설계만 변화시킨다. 세 가지 선택은 각각 핵심 결론을 뒤집거나 무효화한다. 분석 단위를 시장 전체에서 개별 고객으로 바꾸면, 우리의 운영 기준선(baseline)은 19개 중 2위이며 어떤 방법에도 지지 않던 상태에서 25개 중 23위로 이동한다. 이 경우 24개 도전 방법 중 19개가 기준선을 능가한다. 오차를 얼마나 풀링(pooling)하는지에 따라 Diebold-Mariano 검정이 무언가를 발견하는지 여부 자체가 달라진다. 점 예측 대신 예측 구간을 평가하면 순위가 거의 완전히 뒤바뀌며, 간헐적 수요(intermittent demand)에서 순위 상관은 0.02이다. 이어서 실제 배포된 시스템이 이로부터 무엇을 얻는지 측정한다. 이 시스템의 선택 규칙은 아무것도 하지 않는 경우와 사후적 이점(hindsight)을 활용해 선택하는 경우 사이의 거리 중 55%를 확보한다. 이러한 순위 역전은 우리 데이터만의 특이한 현상이 아니다. 우리는 공개된 프로토콜을 수정 없이 공개 M5 소매 패널에서 실행했다. 동일한 형태의 기준선은 시장 전체 수준에서는 1위, 시계열별 수준에서는 모든 방법에 뒤지는 꼴찌를 기록하며, 재현 실행한 선택 규칙은 그곳에서 동일한 하한-상한 간 거리의 64.7%를 메운다. 그 후보군에 제로샷(zero-shot) 파운데이션 모델 5종을 추가하면 전체 수준의 우승자는 바뀌지만 이러한 양상은 바뀌지 않는다. 예측 구간의 사각지대 역시 그대로 나타나, 컨포멀(conformal) 구간은 가장 변동이 심한 품목에서 커버리지가 가장 크게 부족하다. 우리 패널을 점점 더 작은 그룹으로 나누면 이 대비는 하나의 곡선이 되며, 세분화 수준이 높아질 때마다 기준선의 순위는 악화된다. 우리는 평가 프로토콜을 공개하며, 발견하기 전까지 결과를 뒤집어 놓았던 우리 자신의 오류도 함께 보고한다.

arXiv:2609.27912v1cs.LG공통 태그 Time Series Analysis, Time Series Forecasting, hierarchical forecasting

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:2609.27903v1cs.AI공통 태그 Time Series Analysis, Prediction, Time Series Forecasting

추세 예측 기반 복합 교통 네트워크 보안 회복탄력성 복구 방법

A Resilience Recovery Method for Complex Traffic Network Security Based on Trend Forecasting

정보 기술의 급속한 발전으로 항공, 항우주, 차량, 선박, 전력, 산업 등 다양한 분야에 걸쳐 거대하고 복잡한 교통 네트워크가 구축되었다. 그러나 구조의 복잡성과 다양성으로 인해 복합 교통 네트워크는 공격에 취약하며 심각한 보안 과제에 직면한다. 따라서 본 논문은 회복탄력성 추세 예측에 기반한 교통 네트워크 회복탄력성 복구 방법을 혁신적으로 제안한다. 본 논문에서는 네트워크 장애 전파 과정 분석에 위험값을 도입하고, Susceptible, Infectious, Recovered, Dead-Risk(SIRD-R) 장애 전파 모델을 구축한다. 네트워크 회복탄력성 지지 능력과 회복탄력성 복구 능력을 통합하여 실시간 회복탄력성과 전체 회복탄력성을 포괄하는 교통 네트워크 회복탄력성 모델을 구성한다. 이어서 장단기 메모리(LSTM) 네트워크를 이용해 복합 교통 네트워크의 회복탄력성을 예측하고, 예측에 기반한 복합 교통 네트워크 회복탄력성 복구 전략을 제안한다. 마지막으로 다양한 복합 교통 네트워크에 대한 실험 분석을 통해 제안 방법의 효과성과 확장성을 입증하고, 실제 시나리오에서의 적용 가능성을 확인한다.

arXiv:2609.23074v1cs.AI공통 태그 Time Series Analysis, Prediction, Time Series Forecasting

이벤트 시그니처 전이: 과거 이벤트로부터 모델에 무관한 예측 시나리오 구성

Event Signature Transfer: Model-Agnostic Forecast Scenario Construction from Historical Events

예측자들은 종종 어떤 이벤트가 임박했는지는 알지만, 그 영향의 형태·규모·시점은 알지 못하는 경우가 많다. 본 논문은 완료된 과거 이벤트를 명시적인 예측 시나리오로 바꾸는, 학습이 필요 없고 모델에 무관한 연산자인 이벤트 시그니처 전이(Event Signature Transfer, EST)를 제안한다. EST는 소스 이벤트 고유의 추세와 계절성을 제거한 뒤, 남은 이벤트 시그니처를 스케일 조정·시간 재배치하여 기본(native) 예측 위에 얹으며, 예측의 연계 구조를 보존하고 강도가 0일 때는 그 예측과 정확히 일치한다. 출력 분위(quantile)만 사용하므로 전이 시점에 학습이나 모델 내부 접근 없이 임의의 분위 예측 모델에 적용할 수 있다. Chronos-2, TimesFM-2.5, Toto-2.0에서 열두 건의 실제 에피소드와 열 가지 합성 시나리오에 대해, 수동 설정 EST는 실제 에피소드의 표본 내(in-sample) WQL을 21.7–90% 감소시켰다. Chronos-2에서는 공변량 조건화, 활성화 편집, 원시 재현(raw replay)과의 열두 번 짝 맞춤 비교 중 열한 번에서 우수했다. 이 연산자는 시나리오를 구성할 뿐, 그 가능도는 추정하지 않는다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.