연구진은 웨어러블 기기 데이터를 활용한 다중 시간 예측을 위해 6가지 딥러닝 아키텍처와 2가지 제로샷 파운데이션 모델(FM)을 벤치마크했어요. PatchTST 모델이 학습된 모델 중 가장 좋은 성능을 보였고, TimesFM은 데이터가 부족한 환경에서 학습 모델과 유사하거나 더 높은 성능을 기록했어요. 개인별 맞춤형 튜닝은 RMSE를 16~60%까지 줄였으며, 특히 수면 데이터에서 효과가 컸고, 보폭 데이터에서는 효과가 가장 적었어요.