연구진은 의료, 긴급 서비스, 육가공, 건설, 배송 서비스 등 수요가 높은 환경에서 개인별 결석 예측을 위한 시계열 분류(TSC) 프레임워크를 제안했어요.
기존 회귀 및 분류 방식은 시간 t에서 관찰된 특징을 동일한 시간 t의 레이블에 매핑하여 이미 실현된 결과를 재현하고 개인의 출석 기록에 내재된 순차적 행동 구조를 버리는 한계가 있었어요.
공개된 장기 출석 데이터 부족으로 인해 UCI 데이터셋에 맞춰 조정된 재현 가능한 시뮬레이션 데이터셋을 구축했으며, 심각한 클래스 불균형 상태에서 이중 초점 손실(BFL)과 기하 평균(G-Mean) 손실을 분석했어요.
LSTM-FCN 아키텍처가 뛰어난 정밀도와 특이도를 제공했으며, 배치 크기 64 이상, 40~80일 사이의 윈도우 크기로 안정적인 성능을 확보하여 보류된 테스트 데이터에서 약 80%의 균형 잡힌 정확도를 달성했어요.