중성자 모니터 데이터 예측을 위한 계절성 및 양자 기반 모델 연구
Seasonal and Quantum-inspired Models for Neutron Monitor Time Series Forecasting
arXiv우주 방사능 측정 데이터(LMKS)를 대상으로, 연구진이 계절성 모델부터 최신 딥러닝 및 양자 영감 모델까지 다양한 시계열 예측 성능을 비교 분석했습니다.
- 평가 결과, 양자 영감을 받은 KAN 변형 모델(QiKAN)이 가장 낮은 오차를 기록했으나, 단순한 계절성 기반의 기본 모델 역시 매우 높은 경쟁력을 보여주었습니다.
- 이는 주기성이 강하고 패턴이 명확한 과학적 신호 예측에서는 복잡한 딥러닝 구조보다 간결하게 계절성을 반영하는 모델이 효과적일 수 있음을 시사합니다.
- 따라서 주기적인 과학 데이터를 다룰 때는 고도로 복잡한 아키텍처보다는 간결하고 분해 가능한 함수 근사기를 활용하는 것이 중요한 접근 방식입니다.
본 연구는 Lomnicky Stit 중성자 모니터(LMKS)의 시계열 데이터를 대상으로 다중 호라이즌 예측에 초점을 맞추었습니다. 평가 범위에는 단순한 계절성 기준선부터 최신 딥 시퀀스 모델, 그리고 계절성을 반영하거나 양자에서 영감을 받은 기능적 아키텍처까지 포함되었습니다. 구체적으로 Seasonal Naive, LSTM, TCN, N-BEATS, KAN과 더불어 QiLSTM 및 QiKAN이라는 두 가지 양자 기반 변형 모델을 평가했습니다.
평가 결과는 모든 평가된 모델에 대해 평균 절대 오차(MAE)와 제곱근 평균 제곱 오차(RMSE)를 사용하여 집계된 포인트 예측 성능으로 보고되었습니다. 연구진은 양자에서 영감을 받은 KAN 변형 모델인 QiKAN이 가장 낮은 종합 예측 오차를 달성했음을 확인했습니다. 동시에, 단순한 Seasonal Naive 기준선 역시 매우 높은 경쟁력을 보여주었습니다.
이러한 결과는 주기성이 강하고 패턴이 명확한 과학적 모니터링 시계열의 경우, 복잡한 딥 시퀀스 아키텍처를 포함하는 모델보다 강력한 계절성 또는 저차원 기능적 사전 지식을 통합한 간결한 모델이 동등하거나 더 나은 성능을 보일 수 있음을 시사합니다. 따라서 주기적인 과학 신호 예측에는 간결하고 분해 가능한 함수 근사기의 활용이 중요함을 강조했습니다.