연구진은 Ghost 변수와 Shapley 값을 활용해 단변량 시계열 데이터 예측 모델의 래그 관련성을 측정하는 새로운 방법론을 제시했어요. 래그 중요도 값을 나타내는 자동 관련성 및 부분 자동 관련성 함수를 도입하고, 결합 기반 방법에서 누락된 특징을 모델의 1단계 예측으로 대체하는 방법도 제안했어요. 다양한 시뮬레이션과 실제 데이터 사례에서 제안된 방법의 유효성을 검증했어요.
계절성 ARMA 모델과 순환 신경망을 활용해 실험한 결과, 계산된 관련성 측정 지표는 대부분의 경우 예상되는 래그 구조를 성공적으로 보여줬어요. 제안된 방법은 모델에 구애받지 않고 적용 가능하며, 시계열 데이터 분석에 특히 적합해요.