상호 정보 기반의 변수 간 및 시간적 모델링을 통한 다변량 시계열 예측 향상

최근의 발전은 딥러닝 기법이 다변량 시계열 예측(MTSF)에 미치는 영향을 강조하고 있다. 일반적으로 이들 기법은 채널 독립성(Channel-independence)과 채널 혼합(Channel-mixing) 접근법의 두 가지 범주로 나뉜다. 채널 독립성 방법이 일반적으로 더 나은 결과를 내는 반면, 채널 혼합 방법은 변수 간 상관관계를 활용하여 이론적으로 개선을 제공할 수 있다. 그럼에도 불구하고, 우리는 채널 혼합 방법에서 상관되지 않는 정보의 통합이 MTSF 모델 성능의 잠재적 향상을 저해할 수 있다고 주장한다. 이 주장을 뒷받침하기 위해, 우리는 채널 혼합 접근법을 위한 Cross-variable Decorrelation Aware feature Modeling (CDAM)을 소개하여, 상관된 상호 정보를 강화하는 동시에 채널 간 중복 정보를 최소화하여 채널 혼합을 정제하는 것을 목표로 한다. 또한, 우리는 시간적 상관관계를 활용하기 위해 Temporal correlation Aware Modeling (TAM)을 도입하여, 전통적인 단일 단계 예측 방법을 넘어서는 단계로 나아간다. 이 전략은 예측된 시퀀스와 목표 시퀀스의 인접한 하위 시퀀스 간의 상호 정보를 극대화한다. CDAM과 TAM을 결합한 우리의 새로운 프레임워크는 포괄적인 테스트에서 기존 모델, 특히 이전에 최첨단으로 간주되었던 모델들을 크게 초월한다.