• Time Series 데이터 예측에서 발생하는 Distribution을 해결하고자, Dist-TS라는 새로운 방법론을 적용
• 이전 RevIN 논문 방법론의 문제점을 주로 지적하며, 이를 개선하고자 함

• Intra-space Shift 및 Inter-space Shift로 구별
• Intra-space Shift
  • 시계열 데이터 Input의 경우 Window를 설정하여 Input Sequence를 구성하는데, 각 Window 간 Distribution 달라서 생기는 문제 (아래 사진에서 Win1, Win2, Win3 분포가 다름)
• Inter-space Shift
  • Input Sequence인 Window와 Out Sequence인 Forecasting Horizon, 둘 간의 분포가 달라서 생기는 문제 (아래 사진에서 Win1, Win2, Win3 분포와 Forecasting Horizon 분포가 다름)

본 연구 차별점

• 새로운 Distribution Quantification Method 제공
  • 이전 연구에서는 정량적인 통계값인 평균과 분산을 활용했지만, CONET라는 방법론을 통해 제공하는 Coefficient 값을 활용하면, Distribution Shift를 더 잘 포착
• Inter-space Shift와 Intra-space Shift를 모두 고려
  • 이전 연구들은 Inter-space Shift를 무시했지만, Intra-space와 Inter-space Shift를 모두 고려한다는 점에서 본 논문은 차별점을 가짐

실험 결과

• 아래 4가지 데이터셋에 대해 실험
  • Electricity Transformer Temperature (ETT)
  • Electricity
  • Weather
  • Illness
• 아래 3가지 Baseline Model에 대해 실험
  • Informer (Zhou et al., 2021)
  • N-BEATS (Oreshkin et al., 2020)
  • Autoformer (Xu et al., 2021)
• 본 논문에서 제시하는 Dish-TS 방법론을 Baseline 모델들에 적용해 성능을 비교한 결과, 모두 MSE와 MAE 평가지표가 개선