arXiv:2609.23074v1 cs.AI

이벤트 시그니처 전이: 과거 이벤트로부터 모델에 무관한 예측 시나리오 구성

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

Karthik Sridhar, Aaditya Jain, Murari Mandal, Saurabh Deshpande

제출 2026-09-22

한국어 초록

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.

원문 초록

Forecasters often know an event is imminent but not the shape, size, or timing of its effect. We introduce Event Signature Transfer (EST), a training-free, model-agnostic operator that turns a completed past event into an explicit forecast scenario. EST removes a source event's own trend and seasonality, then scales and retimes the remaining event signature onto a native forecast, preserving the forecast's linked structure and reducing to it exactly at zero strength. Because it reads only output quantiles, EST applies to any quantile forecaster, with no training, no model internals, at transfer time. Across twelve real episodes and ten synthetic scenarios on Chronos-2, TimesFM-2.5 and Toto-2.0, manually configured EST reduces real-episode WQL by 21.7-90\% in-sample. On Chronos-2, it leads eleven of twelve matched comparisons against covariate conditioning, activation editing and raw replay. The operator builds a scenario; it does not estimate its likelihood.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.23074v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2610.15760v1cs.LG공통 태그 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.

arXiv:2610.15930v1cs.AI공통 태그 Uncertainty Quantification, Time Series Forecasting

LightGBM을 활용한 지능형 국경 통제를 위한 다중 호라이즌(Multi-Horizon) 설명 가능 대기열 예측과 자원 인지형 의사결정 지원

Multi-Horizon Explainable Queue Forecasting and Resource-Aware Decision Support for Intelligent Border Control Using LightGBM

국경 통과 지점(border crossing point)은 교통 수요, 여행자 범주, 등록 상태, 검사 요건, 인력 배치, 차선 가용성이 여러 시간 척도에서 상호작용하는 확률적 서비스 시스템이다. 본 논문은 Light Gradient Boosting Machine(LightGBM) 모델을 기반으로 하는 구현 지향적인 다중 호라이즌(multi-horizon) 예측 및 의사결정 지원 아키텍처를 도입함으로써 기존의 멀티모달 대기열 관리 프레임워크를 확장한다. 단일 예측 블록과 달리, 제안된 접근법은 15분, 30분, 60분, 120분 예측을 위한 호라이즌별(horizon-specific) 회귀 모델(regressor)을 구성하고, 미래의 대기 시간(waiting time)과 대기열 길이(queue length)를 함께 추정한다. 이 모델들은 시간적으로 지연(lag)된 교통, 서비스, 밀도, 대기열 특징(feature)을 기반으로 작동하며, 운영층(operational layer)은 차선 호환성, 담당관 가용성, 저하될 수 있는 자원, 여행자 범주, 사전등록 정보, 인간 승인 제약을 반영한다. 분위수(quantile) LightGBM 모델은 대기 시간 예측에 대해 95% 예측 구간(prediction interval)을 제공한다. 예측을 넘어, 이 프레임워크는 국경 자원 관리 및 의사결정 지원 시스템에 적합한 기계 판독 가능한(machine-readable) 권고안, 경보, 종합 핵심성과지표(KPI), 신뢰도 정보, 통합 출력을 생성한다. 이 결과는 재현 가능한 합성 데이터 기준선(baseline)과, 실제 국경 통과 운영 데이터를 이용한 후속 검증(validation)을 위한 실용적 인터페이스를 수립한다.

arXiv:2610.15983v1cs.LG공통 태그 Uncertainty Quantification, Time Series Forecasting

조건부 플로우 매칭을 이용한 산불 규모의 확률적 예측

Probabilistic Forecasting of Wildfire Size Using Conditional Flow Matching

본 연구에서는 조건부 생성 알고리즘, 즉 플로우 매칭(flow matching)을 이용하여 산불 규모의 시간적 변화를 예측하는 확률적 모델을 제시한다. 공간적으로 해상도를 갖는 화재 진행을 예측하는 대신, 제안된 모델은 화재 면적의 시계열을 예측함으로써 계산 비용을 크게 줄이고 조기 경보 시스템 및 위험 평가 도구와 같은 후속 응용 프로그램과의 효율적인 통합을 가능하게 한다. 현재 및 이전 예측 시점의 화재 규모 추정치와 공간적으로 평균화된 기상 조건, 지형 특성, 연료 구성이 주어지면, 모델은 3시간 간격 동안의 화재 면적 변화를 예측한다. 학습 데이터는 WRF-SFIRE를 이용해 생성된 140개의 대기-산불 결합 시뮬레이션에서 추출되었으며, 북미 중규모(North American Mesoscale, NAM) 모델의 기상 데이터와 결합되었다. 민감도 분석은 모델이 풍속, 온도, 상대 습도의 변화에 대해 물리적으로 일관된 반응을 포착함을 보여준다. 모델 성능은 WRF-SFIRE의 기준 해(reference solution)와 비교하여 평가된다. 단일 스텝 예측의 경우, 모델은 WRF-SFIRE 기준 해에 대해 대칭 평균 절대 백분율 오차(symmetric mean absolute percentage error, sMAPE) 0.39를 달성한다. 24시간에 걸친 재귀적 다단계 예측은 12개의 홀드아웃(held-out) 테스트 사례에 대해 수행되었으며, 플로우 매칭 모델은 최종 화재 면적 sMAPE 0.39를 달성하면서도 예측 불확실성에 대한 유의미한 정량화를 추가로 제공한다.

arXiv:2610.13406v1eess.IV공통 태그 Uncertainty Quantification, Time Series Forecasting

반건조 지역의 사막화 예측: 심층 학습을 이용한 토지 황폐화 역학의 관측 가능성 한계 탐구

Desertification Forecasting in Semi-Arid Regions: Using Deep Learning to Probe the Observability Limits of Land Degradation Dynamics

사막화 예측은 그 지도화(mapping)에 비해 훨씬 적은 관심을 받아왔다. 본 연구는 브라질의 반건조 주(州)인 세아라(Ceará)를 대상으로, 약 2.2km 해상도의 256x206 그리드 상에서 2000-2023년의 10개 연간 지구관측(EO) 변수로 학습된 합성곱 LSTM(ConvLSTM)을 사용하여, MapBiomas 기반 황폐화 지수(IDV)의 연간 변화 중 얼마나 많은 부분이 위성 데이터로부터 예측 가능한지를 측정한다. 이 네트워크는 마지막으로 관측된 상태에 더해지는 한정된(bounded) 변화를 예측하며, 두 단계(단일 스텝, 이후 재귀적 롤아웃)로 학습되고, 연속된 공간 및 시간 홀드아웃에서 평가된다. 주 전체의 평균 IDV는 2000년 0.238에서 2023년 0.350으로 상승했으며, 이는 연간 약 0.005에 해당하지만, 셀 단위 변화는 연도별 급변(jump)이 지배적이며, 모든 채널을 입력받은 그래디언트 부스팅 모델도 그 분산의 4.7%만을 설명한다. 이러한 한계(ceiling)를 기준으로, ConvLSTM은 지속성(persistence) 대비 RMSE를 1년 예측 시 1.6%, 4년 예측 시 4.4% 낮추며(보류된 남부 지역에서 p < 0.001), 일정한 추세(drift)를 갖는 지속성 모델을 능가하고 지역 추세(drift)의 53-69%를 재현한다. 추세를 고려한(drift-aware) 베이스라인은 3년차부터만 도움이 되며, 6년 시점에서 RMSE 기준 최대 4.4% 개선된다. 매년 전체 필드를 새로 그리는 이전 방식은 관측된 변화와 무관한 변화를 예측했으며(상관계수 -0.06), 재귀적으로 실행할 경우 허구적인(spurious) 감소를 만들어냈다. 채널 제거(knockout) 실험에 따르면 고도(elevation)와 EVI는 예측을 저하시키는 반면, 경사(slope)와 방위(aspect)는 측정 가능한 영향이 없었다. 몬테카를로 드롭아웃과 확률적 시나리오 지도는 기대값 예측이 감추고 있는 불확실성을 전달한다. 기후학적 강제력(climatological forcing) 하에서, 평균 IDV는 2023년 0.350에서 2030년 0.370으로 상승한다. 따라서 EO 기반 사막화 예측은 지역적 추세에 대해서는 신뢰할 수 있지만, 개별 셀에 대해서는 신뢰할 수 없다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.