Hopformer는 다변량 시계열 예측 시 공통적인 시간 패턴을 통일하면서 개별 시계열 정보를 유지하는 새로운 프레임워크입니다. 첫 번째 단계에서는 SPA(Sparsity Pattern Aggregation)를 통해 공변량을 포함하는 공통 저분산 추세를 추출하여 균일성을 확보합니다. 두 번째 단계에서는 LoRA로 미세 조정된 트랜스포머가 잔여 복잡한 의존성을 모델링합니다.
Hopformer는 이론적으로 뒷받침되며, SPA가 오라클 부등식을 통해 거의 최적의 편향-분산 균형을 달성한다는 것을 증명했습니다. 또한 종속된 시계열 데이터에 대한 두 번째 단계의 일반화 경계를 제공합니다. Hopformer는 합성 및 실제 예측 벤치마크에서 MASE를 평균 6.56% 향상시켜 새로운 최고 성능을 달성했습니다.
이 모델은 시계열 예측 분야의 새로운 가능성을 제시하며, 향후 다양한 분야에서 활용될 것으로 기대됩니다.