범주형 변수와 연속형 변수가 혼합된 시계열 데이터 예측 기법

• 영문명: Time Series Forecasting Method for Mixed Categorical and Continuous Variables
• 발행기관: 한국스마트미디어학회
• 저자명: 이재진(Jaejin Lee) 이주홍(Ju Hong Lee)
• 간행물 정보: 『스마트미디어저널』제14권 제6호, 14~22쪽, 전체 9쪽
• 주제분류: 공학 > 컴퓨터학
• 파일형태: PDF
• 발행일자: 2025.06.30

국문 초록

기존 시계열 예측 연구는 범주형 변수의 사용을 고려하지 않아 중요한 패턴이나 정보를 활용하지 못하였다. 결과적으로 이러한 연구는 편향성과 과적합 문제로 고전하였다. 본 논문에서는 다음과 같이 두 가지 기법을 통합적으로 활용하여 시계열 예측 성능을 개선하는 방법을 제안한다. 첫째, Feature Tokenizer와 Dozer Attention를 활용해 범주형 변수와 연속형 변수를 통합적으로 처리한다. 둘째, Variational Auto-Encoder(VAE) 기반 데이터 증강 기법으로 시계열 패턴의 편향성과 과적합 문제를 완화한다. 실험 결과, 제안한 방법이 기존 모델보다 더 우수한 예측 성능을 보인다. 제안한 방법은 시계열 예측에서 범주형 변수의 중요성을 반영하고, VAE 기반으로 증강된 데이터를 사용함으로써 예측 성능을 개선하였다.

영문 초록

Existing time series forecasting studies have overlooked the use of categorical variables, failing to leverage important patterns and information. As a result, they suffer from pattern bias and overfitting issues. This paper proposes a novel approach to improve time series forecasting performance by integrating the following two techniques. First, the Feature Tokenizer and Dozer Attention are utilized to comprehensively process both categorical and continuous variables. Second, a Variational Auto-Encoder (VAE)-based data augmentation technique is employed to mitigate pattern bias and overfitting problems. Experimental results demonstrate that the proposed method outperforms existing models in predictive performance. By incorporating the importance of categorical variables in time series forecasting and leveraging VAE-augmented data, the proposed method achieves significant improvements in predictive accuracy.

목차

Ⅰ. 서론

Ⅱ. 관련 연구

Ⅲ. 제안 방법

Ⅳ. 실험 방법 및 결과

Ⅴ. 결론

키워드

시계열 예측 딥러닝 트랜스포머 시계열 증강 Time Series Forecasting Deep Learning Transformer Time Series Augmentation