다중해상도 시계열 생성: 이미지 기반 이중 표현 모델

본 논문은 “MR‑ImageTime: Multi‑Resolution Time Series Generation through Dual Image Representations”이라는 제목 아래, 가변 길이와 다중 스케일 특성을 동시에 다루는 새로운 시계열 예측 프레임워크 MR‑CDM을 제안한다. 기존 시계열 예측 모델들은 고정된 입력 길이와 단일 해상도(예: 한 가지 샘플링 주기)만을 고려해 복합적인 패턴을 포착하는 데 한계가 있었다. 이를 극복하기 위해 저자들은 세 단계의 핵심 아이디어를 도입한다. 첫 번째 단계는 **다중해상도 트렌드 분해**이다. 이동 평균(MA) 필터를 사용해 윈도우 크기 5, 25, 51을 적용함으로써 시계열을 단기 변동, 중기 주기, 장기 추세, 그리고 고주파 잔차 네 개의 구성요소로 분리한다. 이 과정은 시계열이 내재하고 있는 다양한 주기성을 명시적으로 드러내어, 이후 단계에서 각각에 맞는 특수 처리를 가능하게 만든다. 두 번째 단계는 **이미지 변환**이다. 단기·중기 성분은 지연 임베딩(delay embedding) 기법을 통해 1차원 시계열을 32×32 크기의 2D 이미지로 변환한다. 여기서 τ=3, d=32라는 파라미터는 3시간 간격의 의존성을 포착하고, U‑Net 기반 네트워크와의 차원 일치를 보장한다. 장기 트렌드 성분은 짧은 시간 푸리에 변환(STFT)으로 시간‑주파수 스펙트럼을 만든다. n_fft=64, hop_length=16 설정은 충분한 주파수 해상도와 75% 겹침을 제공해 연속성을 유지한다. 변환된 네 개의 이미지(각각 7, 7, 14, 7 채널)는 채널 차원에서 결합돼 35채널의 통합 텐서를 형성한다. 세 번째 단계는 **조건부 확산 생성**이다. 기존 CSDI와 유사하게 노이즈를 점진적으로 제거하는 역확산 과정을 수행하지만, 여기서는 다중 스케일 이미지가 조건으로 제공된다. 확산 네트워크는 2D 컨볼루션 기반 U‑Net 구조를 사용해 이미지 전역 및 지역 정보를 동시에 학습한다. 생성된 이미지 시퀀스는 **계층적 재구성기(Hierarchical Reconstructor)** 로 전달되며, 이 모듈은 교차 스케일 어텐션과 가중치 조정을 병렬로 수행해 각 스케일별 복원 결과를 융합한다. 결과적으로 고주파 성분이 저주파에 의해 마스킹되는 현상을 최소화하고, 원본 시계열의 세밀한 변동까지 복원한다. 실험은 두 가지 데이터셋을 사용한다. 첫 번째는 실제 전력 데이터인 ETTh1(시간당 전력 수요)이며, 두 번째는 원본 데이터의 통계적 특성을 유지하면서 일일·주간·장기 주기와 가우시안 노이즈를 추가해 만든 합성 데이터이다. 평가 지표는 MSE, MAE, RMSE이며, 비교 대상은 ARIMA, 2‑layer LSTM, 그리고 최신 Diffusion 기반 모델 CSDI이다. 결과는 다음과 같다. - **ETTh1**: MR‑CDM은 MSE 1.4842, MAE 0.9650, RMSE 1.2183을 기록해 ARIMA(42.2121)와 LSTM(13.4981) 대비 각각 96.5%·89.0% 정도의 오류 감소를 보였다. CSDI(1.553)보다도 MSE와 MAE에서 약 5% 정도 개선되었다. - **합성 데이터**: MR‑CDM은 MSE 1.2544, MAE 0.9080, RMSE 1.1200을 달성해 CSDI(1.674)보다 전반적으로 우수한 성능을 보였다. 이러한 성과는 다중해상도 트렌드 분해와 이미지 기반 처리, 그리고 조건부 확산이 서로 보완적으로 작용했기 때문으로 해석된다. 특히 이미지 변환을 통해 시계열을 고정된 차원 텐서로 만들면서도, 각 스케일별 특성을 손실 없이 보존할 수 있었다는 점이 핵심이다. 하지만 논문에는 몇 가지 한계점도 존재한다. 첫째, 하이퍼파라미터(예: MA 윈도우 크기, τ, d, n_fft 등)의 선택 근거가 실험적 탐색에 기반했으며, 다른 도메인에 적용할 경우 재조정이 필요할 가능성이 있다. 둘째, 최신 Transformer 기반 시계열 모델(Informer, Autoformer 등)과의 직접적인 비교가 없으며, 이는 실제 산업 현장에서의 상대적 우위를 판단하기 어렵게 만든다. 셋째, 이미지 변환 과정에서 발생할 수 있는 메모리 사용량 증가와 연산 비용이 상세히 보고되지 않아, 대규모 시계열(수십만~수백만 시점) 적용 시 실용성에 대한 의문이 남는다. 넷째, 변환 후 시계열 연속성을 정량적으로 평가하지 않아, 이미지화가 실제 시간 의존성을 얼마나 보존하는지에 대한 검증이 부족하다. 종합하면, MR‑CDM은 **다중해상도 트렌드 분해 + 가변 길이 이미지 변환 + 조건부 확산**이라는 새로운 파이프라인을 제시함으로써 시계열 예측 분야에 의미 있는 기여를 한다. 특히 이미지 기반 접근법은 기존 1D 모델이 갖는 고정 길이·고정 해상도 제약을 완화하고, 확산 모델의 생성 능력을 활용해 복합적인 시계열 패턴을 효과적으로 학습한다. 향후 연구에서는 (1) 다양한 도메인·샘플링 주기에 대한 일반화 실험, (2) 메모리·연산 효율성을 위한 경량화 모델 설계, (3) Transformer 기반 베이스라인과의 포괄적 비교, (4) 이미지 변환 전후의 시계열 연속성 정량화 등을 통해 실용성을 더욱 강화할 필요가 있다.