글로벌 시간 정보 검색을 활용한 다변량 시계열 예측 성능 향상

Enhancing Multivariate Time Series Forecasting with Global Temporal Retrieval

다변량 시계열 예측(MTSF)은 다양한 실제 응용 분야에서 중요한 역할을 하지만, 기존 모델은 제한된 과거 정보에 의존하는 제약이 있습니다. 이러한 제약은 모델이 입력 기간보다 훨씬 긴 주기를 갖는, 예측에 중요한 정보를 담고 있는 전역 주기 패턴을 효과적으로 포착하는 것을 방해합니다. 간단한 해결책인 과거 데이터 기간을 늘리는 방식은 과적합, 과도한 계산 비용, 중복 정보 처리 등의 심각한 단점을 야기합니다. 이러한 문제점을 해결하기 위해, 우리는 경량화되고 다양한 예측 모델에 쉽게 적용할 수 있는 모듈인 글로벌 시간 정보 검색기(GTR)를 제안합니다. GTR은 전체 주기에서 적응적으로 전역 시간 임베딩을 유지하고, 입력 시퀀스와 관련된 전역 세그먼트를 동적으로 검색하고 정렬합니다. GTR은 2차원 컨볼루션과 잔차 융합을 통해 지역적 의존성과 전역적 의존성을 동시에 모델링함으로써, 호스트 모델의 아키텍처를 변경하지 않고 단기 관측값과 장기 주기를 효과적으로 연결합니다. 여섯 가지 실제 데이터 세트에 대한 광범위한 실험 결과는 GTR이 단기 및 장기 예측 시나리오 모두에서 최첨단 성능을 지속적으로 제공하며, 매우 적은 파라미터 및 계산 오버헤드를 발생시킨다는 것을 보여줍니다. 이러한 결과는 GTR이 다변량 시계열 예측 작업에서 전역 주기 모델링을 향상시키는 효율적이고 일반적인 솔루션임을 강조합니다. 코드: https://github.com/macovaseas/GTR

Multivariate time series forecasting (MTSF) plays a vital role in numerous real-world applications, yet existing models remain constrained by their reliance on a limited historical context. This limitation prevents them from effectively capturing global periodic patterns that often span cycles significantly longer than the input horizon - despite such patterns carrying strong predictive signals. Naive solutions, such as extending the historical window, lead to severe drawbacks, including overfitting, prohibitive computational costs, and redundant information processing. To address these challenges, we introduce the Global Temporal Retriever (GTR), a lightweight and plug-and-play module designed to extend any forecasting model's temporal awareness beyond the immediate historical context. GTR maintains an adaptive global temporal embedding of the entire cycle and dynamically retrieves and aligns relevant global segments with the input sequence. By jointly modeling local and global dependencies through a 2D convolution and residual fusion, GTR effectively bridges short-term observations with long-term periodicity without altering the host model architecture. Extensive experiments on six real-world datasets demonstrate that GTR consistently delivers state-of-the-art performance across both short-term and long-term forecasting scenarios, while incurring minimal parameter and computational overhead. These results highlight GTR as an efficient and general solution for enhancing global periodicity modeling in MTSF tasks. Code is available at this repository: https://github.com/macovaseas/GTR.