존재가 가치보다 우선하다: 시계열 예측에서 관측 데이터의 존재 여부와 시간에 따른 변화를 동시에 모델링하는 방법

Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting

실제 세계의 시계열 데이터는 센서 오류, 전송 지연 및 이벤트 기반 샘플링으로 인해 종종 매우 불완전하고 불규칙하여 신뢰성 있는 예측을 수행하기 어렵습니다. 기존 방법은 '채우고 예측' 방식에서부터 신경망 ODE(Neural Ordinary Differential Equations)와 연속 시간 그래프 네트워크와 같은 연속 시간 모델로 진화해 왔습니다. 이러한 접근 방식들은 과거 데이터의 불규칙성을 모델링하는 데 도움이 되지만, 추론 시 여전히 암묵적인 전제, 즉 미래에 유효한 관측치가 언제 발생하는지 미리 알고 있다는 가정에 의존합니다. 이 가정이 실제 적용 가능성을 제한하는데, 왜냐하면 많은 실제 시스템에서 더 근본적인 질문은 미래 값뿐만 아니라 유효한 관측치가 전혀 발생할 것인지 여부이기 때문입니다. 본 논문에서는 Timeflies라는 통합 프레임워크를 제안합니다. Timeflies는 예측을 미래의 관측 가능성 추론과 값 추정이라는 공동 문제로 재구성하며, 관측 동역학과 상태 변화 간의 상호 작용을 명시적으로 모델링하기 위해 관측 스트림과 값 스트림을 채택하고, 신뢰성을 고려한 임베딩, 관측 기반 의존성 모델링 및 공동 예측을 위한 세 가지 모듈을 사용합니다. 또한, 공개 데이터셋에서 발생하는 자연적인 결측값을 실제 산업 데이터를 결합한 벤치마크인 Shadow를 구축하고, 이 복합적인 예측 가능성을 종합적으로 평가하기 위해 Observation-Value Joint Entropy (OVJE) 지표를 도입했습니다. 광범위한 실험 결과는 Timeflies가 기존 방법보다 일관되게 우수한 성능을 보이며, 결측치가 있는 시계열 예측에서 미래의 관측 가능성을 명시적으로 모델링하는 것의 중요성을 강조합니다. 코드와 데이터셋은 https://github.com/ant-intl/Timeflies 에서 확인할 수 있습니다.

Real-world time series are often highly incomplete and irregular due to sensor dormancy, transmission delays, and event-driven sampling, making reliable forecasting fundamentally challenging. Existing methods have evolved from impute-then-forecast pipelines to continuous-time models such as Neural ODEs and continuous-time graph networks. While these approaches improve the modeling of historical irregularity, they still rely on an implicit oracle assumption at inference time: the timestamps of future valid observations are presumed to be known in advance. This assumption limits practical relevance, since in many real systems the more fundamental question is not only what the future value will be, but also whether a valid observation will occur at all. In this paper, we propose Timeflies, a unified framework that reformulates forecasting as a joint problem of future observability inference and value estimation. To explicitly model the interaction between observation dynamics and state evolution, Timeflies adopts an observation stream and a value stream, coupled through three dedicated modules for reliability-aware embedding, observation-guided dependency modeling, and joint prediction. We further construct Shadow, a benchmark that combines natural missingness from public datasets with real-world industrial data, and introduce the Observation-Value Joint Entropy (OVJE) metric to comprehensively evaluate this coupled predictability. Extensive experiments show that Timeflies consistently outperforms existing methods, highlighting the importance of explicitly modeling future observability in time series forecasting with missing values. Code and dataset are available in https://github.com/ant-intl/Timeflies.