시계열 파운데이션 모델을 활용한 데이터 희소 환경에서의 신입생 등록 예측

Commencing-Student Enrolment Forecasting Under Data Sparsity with Time Series Foundation Models

많은 대학이 가중되는 재정적 압박에 직면하여 정확한 신입생 등록 예측에 의존하고 있다. 그러나 고등교육의 등록 예측은 연간 시계열이 짧고 보고 방식의 변경이나 체제 변화(regime shifts)의 영향을 받아 데이터가 희소한 경우가 많다. 널리 사용되는 고전적 접근법은 짧은 표본으로 인해 매개변수 추정과 모델 선택이 불안정하고, 구조적 변화가 외삽 성능을 저하시키기 때문에 신뢰성이 떨어질 수 있다. 최근 시계열 파운데이션 모델(TSFM)은 제로샷 사전 정보를 제공함으로써, 데이터 누수가 통제된 공변량 구축 환경에서 연간 단위의 데이터 희소 기관 예측에 있어 큰 성과를 보여주었다. 본 연구는 제로샷 환경에서 여러 TSFM 계열을 벤치마킹하고, 간결하고 누수 안전성이 확보된 공변량 세트를 시험한다. 또한 안정적인 특성 공학이 적용된 구글 트렌드 수요 대리 변수와 더불어, 각 예측 시점에서 확보 가능한 타임스탬프가 포함된 문서 증거에서 도출된 전이 가능한 0~100 척도의 체제 공변량인 '기관 운영 조건 지수(IOCI)'를 도입한다. 엄격한 시점 정렬(vintage alignment)을 적용한 확장 윈도우 백테스트를 수행한 결과, 공변량을 조건부로 한 TSFM은 특정 기관에 대한 학습 없이도 고전적 벤치마크와 대등한 성능을 보였으며, 코호트 및 모델에 따라 성능 차이가 확인되었다.

Many universities face increasing financial pressure and rely on accurate forecasts of commencing enrolments. However, enrolment forecasting in higher education is often data-sparse; annual series are short and affected by reporting changes and regime shifts. Popular classical approaches can be unreliable, as parameter estimation and model selection are unstable with short samples, and structural breaks degrade extrapolation. Recently, TSFMs have provided zero-shot priors, delivering strong gains in annual, data-sparse institutional forecasting under leakage-disciplined covariate construction. We benchmark multiple TSFM families in a zero-shot setting and test a compact, leakage-safe covariate set and introduce the Institutional Operating Conditions Index (IOCI), a transferable 0-100 regime covariate derived from time-stamped documentary evidence available at each forecast origin, alongside Google Trends demand proxies with stabilising feature engineering. Using an expanding-window backtest with strict vintage alignment, covariate-conditioned TSFMs perform on par with classical benchmarks without institution-specific training, with performance differences varying by cohort and model.