연구진은 시계열 예측에서 모델 크기를 키우는 대신 전처리 과정을 개선하는 것이 더 효율적이라고 주장해요.
Ridge 회귀를 활용해 컨텍스트 길이, 로컬 정규화, 정규화, 증강 등 전처리 과정을 탐색한 결과, 최적의 예측 기간은 시리즈별로 다르고 때로는 비선형적인 경향을 보였어요.
학습된 후행 분량 기준으로 정규화를 적용하는 것이 보편적으로 선호되었으며, 동일 데이터셋 내 시리즈별로 최적의 하이퍼파라미터가 달라지는 패턴을 발견했어요.
최적화된 전처리 과정을 거친 선형 모델은 기존 선형 예측 모델을 능가하며, Transformer, MLP, CNN 기반 모델을 8개 벤치마크 중 6개에서 능가하는 성과를 보여줬어요.