시계열 예측을 위한 다중 관점 표현 학습 접근법
본 연구는 추세, 계절성 및 독립 성분 분석을 통합한 혁신적인 다중 관점 접근법을 제안하여 시계열 데이터의 복잡한 비선형 패턴을 포착하고 예측 정확도를 향상시킨다.
복잡한 분포 변화에 대응하는 시계열 예측을 위한 진화하는 다중 스케일 정규화 기법
복잡한 분포 변화에 대응하기 위해 다중 스케일 통계 예측 모듈과 적응형 앙상블을 활용한 진화하는 정규화 프레임워크를 제안한다.
극단적 사건 예측을 위한 가중치 조정 및 미세 조정을 통한 시계열 예측 향상
극단적 사건은 희귀하고 불규칙적이어서 정확한 예측이 어려운 문제를 해결하기 위해, 가중치 조정과 미세 조정 기법을 제안하여 시계열 예측 성능을 향상시킨다.
주기성 및 변수 간 상호작용을 고려한 시계열 예측 모델 FreqTSF
주기성과 변수 간 상호작용을 주파수 영역에서 동시에 모델링하여 시계열 예측 성능을 향상시킴
심층 시계열 예측에서의 암묵적 추론
심층 시계열 예측 모델이 단순한 패턴 기억이 아닌 잠재적인 시간 역학에 대한 이해를 바탕으로 제로샷 예측을 수행할 수 있다는 것을 보여준다.
날씨 동역학 적용을 위한 장단기 시계열 예측을 위한 Mamba와 Transformer의 통합 - MAT
MAT는 Mamba의 장기 예측 능력과 Transformer의 단기 의존성 학습 능력을 결합하여 다변량 시계열 데이터의 장단기 의존성을 효과적으로 포착한다.
시계열 예측을 위한 모델 동물원에서 데이터 증강 정책 학습하기
모델 동물원을 활용하여 시계열 데이터의 한계 샘플을 식별하고, 강화학습을 통해 이를 효과적으로 증강하는 방법을 제안한다.
전력 소비 예측을 위한 가우시안 프로세스 기반 랜덤 워크
가우시안 프로세스와 랜덤 워크를 활용하여 전력 소비를 효율적으로 예측할 수 있다.
불규칙적으로 샘플링된 시계열 데이터의 효율적인 예측을 위한 함수 잠재 동역학
불규칙적으로 샘플링된 시계열 데이터에 대한 효율적인 예측 모델인 함수 잠재 동역학(Functional Latent Dynamics, FLD) 모델을 제안한다. FLD는 복잡한 미분 방정식을 해결할 필요 없이 단순한 곡선 함수를 사용하여 잠재 상태를 모델링함으로써 ODE 기반 모델보다 뛰어난 성능과 효율성을 보인다.
시계열 예측을 위한 교차 변수 및 시간 통합 기법
다변량 시계열 예측에서 Transformer 아키텍처는 역사적 시퀀스에서 특징을 효과적으로 추출하고 예측 시퀀스의 시간 의존성을 학습하는 데 어려움을 겪는다. 이 문제를 해결하기 위해 본 논문은 시계열 예측을 역사적 시퀀스 학습과 예측 시퀀스 학습으로 구분하는 Cross-Variable and Time Network(CVTN)를 제안한다.
