Uploads from ‍김성범[ 교수 / 산업경영공학부 ]

Currently Playing: [Open DMQA Seminar] Paradigm Shifts in Time Series Forecasting

시계열 예측(Time Series Forecasting)은 과거 데이터를 분석하여 시간의 흐름에 따른 패턴을 학습하고, 이를 통해 미래 수치를 추정하는 문제이다. 시계열 예측 모델은 고전적 통계 모델에서 딥러닝과 Transformer기반 모델들로 발전했고, 최근에는 대규모 사전학습 기반의 파운데이션 모델로 확장되고 있다. 본 세미나에서는 시계열 예측 패러다임의 변화와 그에 따른 단계별 기술 발전을 분석한다. 초기 모델부터 최신 아키텍처에 이르기까지 기술의 흐름이 변화해 온 과정을 살펴보고, 각 발전 단계에서 시계열 예측의 난제들을 해결하기 위해 제안된 패러다임별 방법론들을 소개한다. 참고자료 [1] A. Zeng, M. Chen, L. Zhang, and Q. Xu, “Are Transformers Effective for Time Series Forecasting?,” in Proceedings of the AAAI Conference on Artificial Intelligence, 2023. [2] L. Han, X.-Y. Chen, H.-J. Ye, and D.-C. Zhan, “SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion,” in Advances in Neural Information Processing Systems, 2024. [3] Y. Wang, H. Wu, J. Dong, G. Qin, H. Zhang, Y. Liu, Y. Qiu, J. Wang, and M. Long, “TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables,” in Advances in Neural Information Processing Systems, 2024. [4] A. Das, W. Kong, R. Sen, and Y. Zhou, “A Decoder-Only Foundation Model for Time-Series Forecasting,” in Proceedings of the 41st International Conference on Machine Learning, 2024.