시간을 나선형 좌표로 재정의해 시계열 예측 성능을 크게 향상

한줄 요약

시간을 나선형 좌표계로 변환하여 추세와 계절성을 분리·내재화함으로써 시계열 예측 성능을 획기적으로 높인 방법론.

풀어야 하는 문제

기존 시계열 모델은 시간을 단순 스칼라(1D)로 처리하거나, 수동으로 설계된 사인/코사인 특징에 의존한다. 이는 추세와 계절성의 상호작용을 효과적으로 포착하지 못하며, 특히 다중 주기성을 가진 데이터에서 성능이 제한된다.

접근 방법

시간을 2D 아르키메데스 나선 위의 점으로 표현한다. 반지름 좌표는 누적 진행(추세)을, 각도 좌표는 주기 내 위상(계절성)을 나타낸다. 이 분해는 기하학적이며 사전적(prior)이다. 단일 주기 및 다중 주기 임베딩을 정의하고, Transformer의 위치 인코딩을 대체할 수 있도록 설계했다. 실험은 미국 월별 소매 판매 데이터(RSXFS)에 대해 LSTM ablation 10개를 수행했다.

결과·기여

최적 다중 주기 나선형 시간 임베딩이 MAPE 1.69%를 달성, 스칼라 시간(9.76%) 대비 83%, 수동 사인/코사인 특징(4.62%) 대비 63% 향상. 10개 실험 모두에서 기하학적 추가가 단조롭게 성능을 개선했다. 중요한 발견: 반지름 항은 각도에 선형이고 z-score 정규화된 경우에만 기여하며, 잘못된 정규화는 추세 항을 생략한 것보다 나쁘다. 코드는 공개되어 있다.