현실적인 다변량 시계열 합성 데이터 생성을 위한 동적 선형 코리저널화

Dynamic Linear Coregionalization for Realistic Synthetic Multivariate Time Series

시계열 기반 모델(FMTS) 훈련에 합성 데이터는 필수적이지만, 대부분의 생성기는 정적인 상관관계를 가정하며, 현실적인 채널 간 의존성을 제대로 반영하지 못하는 경우가 많습니다. 본 논문에서는 시간 변화에 따른 상관관계와 레짐 스위칭, 그리고 채널 간 지연 구조를 통합하는 동적 선형 코리저널화 모델인 DynLMC를 소개합니다. DynLMC는 실제 데이터와 유사한 상관관계 동역학을 갖는 합성 다변량 시계열을 생성합니다. DynLMC로 생성된 데이터로 세 가지 기본 모델을 미세 조정하여, 9가지 벤치마크에서 일관된 제로샷 예측 성능 향상을 달성했습니다. 이러한 결과는 동적 채널 간 상관관계를 모델링하는 것이 FMTS의 일반화 성능을 향상시키며, 데이터 중심의 사전 훈련의 중요성을 강조한다는 것을 보여줍니다.

Synthetic data is essential for training foundation models for time series (FMTS), but most generators assume static correlations, and are typically missing realistic inter-channel dependencies. We introduce DynLMC, a Dynamic Linear Model of Coregionalization, that incorporates time-varying, regime-switching correlations and cross-channel lag structures. Our approach produces synthetic multivariate time series with correlation dynamics that closely resemble real data. Fine-tuning three foundational models on DynLMC-generated data yields consistent zero-shot forecasting improvements across nine benchmarks. Our results demonstrate that modeling dynamic inter-channel correlations enhances FMTS transferability, highlighting the importance of data-centric pretraining.