[ICML 2021] 3편: 시공간 시계열 예측 (Spatio-temporal Time-series Forecasting)

시계열(Time series) 데이터는 기후 변화, 경제, 헬스케어 등 다양한 분야에서 활용되며, 과거 데이터를 기반으로 미래의 값이나 데이터 분포를 예측하는 Time series forecasting 연구가 활발히 진행되고 있다.

미래 예측을 위해서는 데이터의 Trend(추세)와 Seasonality(주기성)를 파악하는 것이 중요하다. 특히 여러 종류의 시계열 데이터가 주어지는 Multi-variate time-series 환경에서는 데이터 간의 상호 연관성인 Spatial correlation을 파악하는 것이 필수적이다.

최근에는 복잡한 시계열 간의 관계를 모델링하기 위해 Graph 기반의 네트워크 구조가 널리 활용되고 있다. 각 노드(Node)를 시계열 데이터로, 에지(Edge)를 데이터 간의 관계로 표현하는 방식이다.

본 글에서는 ICML 2021에서 소개된 두 가지 주요 논문을 다룬다:

• PAL (RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting): RNN과 **GCN(Graph Convolutional Network)**을 결합하고, Particle flow를 통해 미래 데이터의 점 예측(Point forecasting)과 확률 분포(Distribution)를 모두 수행한다.
• Z-GCNETs (Time Zigzags at Graph Convolutional Networks for Time Series Forecasting): 그래프 합성곱 네트워크를 활용한 시계열 예측 기법을 제안한다.