본 연구는 심층 학습 모델의 장기 예측 성능 저하 원인으로 오류 누적 문제를 분석했어요. 기존의 오류 수정 메커니즘(ECM)을 심층 학습 모델에 적용하기 어려웠던 한계를 극복하기 위해 새로운 접근법을 제시합니다. Universal Error Corrector with Seasonal-Trend Decomposition (UEC-STD) 모델은 기존 예측 모델 재학습 없이 통합 가능하며, 추세와 계절성 요소를 분리하여 정확도를 높입니다.
UEC-STD 모델은 4가지 아키텍처와 10개의 데이터셋에서 오류 수정 정확도와 안정성을 향상시키는 효과를 보였어요. 이 연구는 심층 시계열 모델의 자동 회귀 오류를 완화하는 새로운 통찰력을 제공합니다.
코드 공개를 통해 연구 결과의 활용 가능성을 높였으며, 관련 자료는 GitHub 저장소에서 확인할 수 있습니다.