PAMod: 위상-진폭 변조를 통한 주기적 변화 모델링을 통한 비정상 시계열 예측

PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting

실제 시계열 예측에서 가장 큰 어려움 중 하나는 시간에 따른 평균 및 분산의 변화를 포함하는 비정상적인 통계적 특성입니다. Reversible instance normalization (RevIN)은 입력 데이터를 정규화하고 출력을 역정규화함으로써 유망한 결과를 보여주었지만, 과거 및 미래 분포가 동일하다는 강력한 가정을 전제로 합니다. 우리는 많은 실제 응용 분야에서 분포 변화가 주기적인 패턴을 따르며, 이러한 패턴이 특정 주기적인 위치(예: 계절 및 공휴일 변동성)와 상관관계가 있음을 관찰했습니다. 이에 따라, 우리는 정규화된 특징 공간에서 위상-진폭 변조를 통해 주기적인 분포 변화를 모델링하는 경량 yet 강력한 프레임워크인 PAMod를 제안합니다. PAMod는 주기적인 임베딩을 학습하여 표현을 조절합니다. 위상 변조는 평균 변화를 포착하고, 진폭 변조는 분산 변화에 적응합니다. 중요한 점은, 정규화된 공간에서 변조를 수행하는 것이 동적 역정규화를 적용하는 것과 동등하다는 것을 수학적으로 증명했으며, 이는 분포 적응과 표현 학습을 우아하게 통합합니다. 12개의 실제 벤치마크를 사용한 광범위한 실험 결과, PAMod는 더 적은 계산 자원을 사용하여 최첨단 성능을 달성하는 것으로 나타났습니다. 또한, 우리의 변조 메커니즘은 새로운 플러그 앤 플레이 기술로서, 간단한 통합을 통해 기존 시계열 예측 방법을 개선할 수 있습니다.

Real-world time series forecasting faces the fundamental challenge of non-stationary statistical properties, including shifts in mean and variance over time. While reversible instance normalization (RevIN) has shown promise by stationarizing inputs and denormalizing outputs, it relies on the strong assumption that historical and future distributions remain identical. We observe that in many practical applications, distribution shifts follow cyclical patterns that correlate with periodic positions (e.g., seasonal and holiday volatility). To this end, we propose PAMod, a lightweight yet powerful framework that models cyclical distribution shifts via Phase-Amplitude Modulation in the normalized feature space. PAMod learns periodic embeddings to modulate representations: phase modulation captures mean shifts, while amplitude modulation adapts to variance changes. Crucially, we prove mathematically that modulating in normalized space is equivalent to applying dynamic denormalization, offering an elegant unification of distribution adaptation and representation learning. Extensive experiments on twelve real-world benchmarks demonstrate that PAMod achieves state-of-the-art performance with fewer computational resources. Furthermore, our modulation mechanism, as a novel plug-and-play technique, can improve existing time-series forecasting methods with simple integration.