시계열 트랜스포머(TFT)로 태양광 발전량 36시간 예측하기: 실패 원인과 데이터 정리법
구글 서머 오브 코드로 태양광 발전량 예측 모델을 만든 개발자가 시계열 트랜스포머(TFT)를 쓰며 겪은 문제를 정리했다. 정작 시간의 대부분은 모델 튜닝이 아니라 결측 없는 36시간 학습 구간을 만드는 데 들어갔다.
핵심 내용 읽기 →
AI TOPIC
시계열예측 최신 뉴스와 핵심 해설
시계열예측 관련 핵심 뉴스와 활용 인사이트 3편을 최신순으로 모았습니다.
Time-LLM 시계열 예측 정리: 언어모델을 백본으로 쓰는 법과 Time-FFM 연합학습 확장
시계열 분야에는 왜 파운데이션 모델이 없을까. 고려대 DMQA 세미나는 데이터 부족과 도메인 이질성을 원인으로 짚고, 언어모델을 고정한 채 백본으로 쓰는 Time-LLM과 이를 연합학습으로 확장한 Time-FFM을 소개한다.
핵심 내용 읽기 →
시계열 예측 패러다임 변화 - ARIMA·트랜스포머·채널 전략·TimesFM 정리
통계 모형(ARIMA)에서 딥러닝, 트랜스포머, 채널 독립·의존 전략을 거쳐 제로샷 파운데이션 모델 TimesFM까지, 시계열 예측 모델의 발전 흐름을 한눈에 정리한다.
핵심 내용 읽기 →