연속 시간 모델링 프레임워크를 활용한 불규칙 시계열 예측 성능 향상

Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework

불규칙 다변량 시계열 데이터는 의료 모니터링, 인간 활동 인식 및 환경 감지 등 다양한 분야에서 널리 사용됩니다. 이러한 데이터의 주요 과제는 비동기적 관찰, 불균일한 샘플링 간격, 그리고 시간 패턴 자체가 중요한 동적 정보를 포함한다는 점입니다. 기존 접근 방식은 일반적으로 보간법, 대체 또는 집계와 같은 이산화 기반 전처리 방식을 사용하여 시계열 데이터를 처리하는데, 이는 근본적인 연속 시간 의미를 깨뜨립니다. 또한, 상미분 방정식(ODE) 기반 프레임워크를 사용한 연속 시간 모델링은 특수한 아키텍처를 필요로 하며 수치 해법으로 인해 상당한 계산 오버헤드를 발생시킵니다. 이러한 한계를 극복하기 위해, 본 연구에서는 불규칙 시계열 예측을 위한 연속 시간 모델링 프레임워크인 WrapFlow를 제안합니다. WrapFlow는 입력 측면에서 Continuous-Time Tokenization을 도입하여 원시 관측 데이터를 직접 인코딩하고, gap-aware tokens을 사용하여 장기간 관측되지 않은 구간을 명시적으로 모델링합니다. 이렇게 생성된 연속 시간 토큰은 표준 Transformer 백본에 의해 처리되어 장거리 시간 의존성을 파악합니다. 출력 측면에서는 Residual Flow Matching을 위한 시뮬레이션 없는 학습 패러다임을 개발하여, 수치 해법 시뮬레이션 및 훈련 과정에서의 역전파를 피하면서 기본 예측 주변의 조건부 잔차 벡터 필드를 학습합니다. 이러한 설계는 추론 단계에서 소수의 고정된 rollout 단계를 사용하여 고품질 연속 예측을 가능하게 합니다. 다양한 실제 데이터 세트에 대한 광범위한 실험 결과, WrapFlow가 최첨단 성능을 달성함을 보여줍니다.

Irregular multivariate time series are widely encountered in applications such as healthcare monitoring, human activity recognition, and environmental sensing. Their core challenges stem from asynchronous observations, non-uniform sampling intervals, and the fact that temporal patterns themselves carry critical dynamic information. Existing approaches either rely on discretization-based preprocessing (e.g., interpolation, imputation, or aggregation), which disrupts the underlying continuous-time semantics, or adopt continuous-time modeling via ODE-based frameworks, which typically require specialized architectures and incur substantial computational overhead due to numerical solvers. To address these limitations, we propose WrapFlow, a continuous-time modeling framework for irregular time series forecasting. On the input side, WrapFlow introduces Continuous-Time Tokenization, which directly encodes raw observation events and explicitly models long unobserved intervals via gap-aware tokens. The resulting continuous-time tokens are then processed by a standard Transformer backbone to capture long-range temporal dependencies. On the output side, we develop a simulation-free training paradigm for Residual Flow Matching, which learns conditional residual vector fields around base predictions while avoiding numerical-solver simulation and backpropagation during training. This design enables high-quality continuous forecasting using only a small number of fixed rollout steps at inference. Extensive experiments on multiple real-world datasets demonstrate that WrapFlow achieves state-of-the-art performance.