시계열 예측 딥러닝 방법론 전반을 체계적으로 정리한 종합 서베이

한줄 요약

시계열 예측을 위한 딥러닝 방법론의 아키텍처적 다양성과 공개된 도전 과제를 체계적으로 정리한 종합 서베이 논문.

풀어야 하는 문제

시계열 예측은 금융, 기상, 에너지 등 다양한 분야에서 핵심적이나, 딥러닝 모델의 급속한 발전으로 인해 방법론이 파편화되고 비교가 어려워졌다. 기존 서베이는 특정 아키텍처나 응용에 치우쳐 전체 그림을 제공하지 못한다.

접근 방법

CNN, RNN, 트랜스포머, 하이브리드 모델 등 주요 딥러닝 아키텍처를 분류하고, 각각의 장단점과 적용 사례를 분석한다. 또한 데이터 전처리, 평가 지표, 해석 가능성 등 공통 이슈를 다루고, 장기 예측, 불확실성 정량화, 분포 변화 등 공개된 도전 과제를 식별한다.

결과·기여

딥러닝 기반 시계열 예측의 전반적인 지형도를 제공하며, 연구자들이 방법론 선택과 향후 연구 방향을 설정하는 데 도움을 준다. 특히 아키텍처 선택 가이드라인과 미해결 문제 목록은 실용적 가치가 높다.