Time-Frequency Aware Time Series Forecasting : A Decomposition-Based Approach with Specialized MLP Models
- 발행기관 서강대학교 일반대학원
- 지도교수 강석주
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000081835
- UCI I804:11029-000000081835
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
시계열 데이터는 금융, 기후, 의료 등 다양한 분야에서 중요한 역할을 하며, 이를 정확하게 예측하는 것은 필수적인 연구 과제이다. 기존의 딥러닝 기반 시계열 예측 모델들은 성능이 향상되었지만, 여전히 몇 가지 근본적인 한계를 가지고 있다. 특히, 시계열 데이터를 구성하는 핵심 요소인 추세(Trend), 계절성(Seasonal), 잔차(Residual)를 효과적으로 분리하지 못하거나, 각 성분을 적절한 방식으로 처리하지 않아 예측 성능이 제한된다. 본 연구에서는 추세, 계절성, 잔차를 가장 적합한 도메인에서 학습하여 예측 성능을 극대화한다. 구체적으로, 추세와 잔차는 시간 도메인에서 학습하고, 계절성 성분은 주파수 도메인에서 처리하여 주기적 패턴을 효과적으로 반영하도록 설계하였다. 또한, 보다 정제된 시계열 분해를 위해 Auto-Correlation을 활용하여 기존 방법보다 더 정확하게 추세, 계절성, 잔차를 분리하는 기법을 제안한다. 각 도메인 별 특성을 고려한 MLP 기반 모델을 적용하여 연산 효율성과 예측 정확도를 동시에 향상시켰다. 시계열 벤치마크 데이터셋인 Electricity, ILI, ETT 데이터셋을 활용한 실험을 통해, 제안된 방법이 기존 최신 모델들보다 일관되게 우수한 성능을 보임을 검증하였다.
more초록 (요약문)
Time series forecasting is essential for various real-world applications, including economics and climate science. While deep learning has significantly improved fore- casting accuracy, several limitations persist. These limitations arise because existing methods fail to effectively disentangle intrinsic components — trend, seasonal, and residual variations. Moreover, current approaches do not process each component in its most appropriate domain. In this paper, we propose a novel domain-specific forecasting framework that first decomposes time series data into its fundamental components and then processes each component in its most appropriate domain. Specifically, our approach applies temporal domain for trend and residual components, while leveraging frequency do- main to capture periodic seasonal patterns. Furthermore, MLP-based models, tailored to each domain, are employed to ensure both computational efficiency and robust performance. Thorough experiments conducted on multiple benchmark datasets confirm that our approach consistently achieves superior performance compared to state-of-the- art methods.
more목차
List of Figures iii
List of Tables vi
초록 v
Abstract vi
I Introduction 1
II Related Works 5
2.1 MLP-Based Approaches 5
2.2 Decomposition Methods 5
2.3 Frequency Domain Approaches 6
III Method 9
3.1 Decomposition Module 9
3.2 One Layer Model 11
3.3 Domain Conversion 12
IV Experiments 14
4.1 Experimental Setup 14
4.1.1 Dataset 14
4.1.2 Baselines 15
4.1.3 Implementation Details 18
4.2 Main Results 27
4.3 Model Analysis 27
4.3.1 Domain-Specific Component Modeling 27
4.3.2 ACF Threshold 28
4.3.3 Efficiency 29
4.3.4 Short-Term Forecasting 31
4.3.5 Long-Term Forecasting 33
4.3.6 Look Back Window 34
4.3.7 Decomposition Comparison 35
V Conclusion 37
Bibliography 37
