RNN / LSTM / GRU는순서를 순차적으로 처리한다는 명확한 장점을 가졌지만, 그만큼 명확한 한계도 있었다.
- 병렬화가 어렵다
- 시퀀스가 길어질수록 비효율적이다
이 문제를 해결하려는 방향에서
다음과 같은 시계열 모델들이 등장한다.
1. 1D CNN (Convolutional Neural Network for Time Series)
핵심 개념
시간 축 위에서 패턴을 “국소적으로” 훑는다
- 이미지의 가로·세로 대신
- 시간 축 하나만 놓고 컨볼루션
짧은 구간의 패턴을 반복적으로 감지한다.
시계열을 어떻게 보나?
- 시계열 = 1차원 신호
- 커널 = 짧은 시간 패턴 탐지기
예:
- 급격한 상승
- 특정 파형
- 반복되는 로컬 패턴
언제 쓰는가?
- 국소 패턴이 중요할 때
- 전체 순서보다는 형태(shape) 가 중요할 때
- 시계열 길이가 길고 빠른 학습이 필요할 때
예:
- 센서 신호
- 진동 데이터
- 음성 파형
- 설비 이상 감지
2. TCN (Temporal Convolutional Network)
TCN은 시계열 전용으로 설계된 CNN이라고 보면 된다.
핵심 개념
CNN으로 RNN의 역할을 대체하자
TCN은 다음 두 가지를 결합한다.
- Causal Convolution
→ 미래를 보지 않음 - Dilated Convolution
→ 적은 층으로 긴 과거를 커버
시계열을 어떻게 보나?
- 순서를 지키면서
- 점점 더 넓은 과거를 컨볼루션으로 본다
즉,
RNN처럼 과거를 누적하지만
순차 계산은 하지 않는다
언제 쓰는가?
- 중·장기 의존성이 필요한 시계열
- RNN의 순차 계산이 느릴 때
- 병렬 학습이 중요한 환경
예:
- 시계열 예측
- 로그 분석
- 제어 시스템
- 산업 데이터
3. Transformer
Transformer는 시계열뿐 아니라 자연어 처리 전반의 패러다임을 바꾼 모델이다.
핵심 개념
모든 시점을 동시에 보고, 중요한 것만 선택한다
- 순차 처리 없음
- 모든 시점 간의 관계를 한 번에 계산
- 중요도는 Attention 으로 결정
시계열을 어떻게 보나?
- 시계열 = 토큰 시퀀스
- 각 시점은 서로를 직접 참조 가능
- 거리와 상관없이 관계를 학습
즉,
“얼마나 오래됐는지”보다
“얼마나 중요한지”가 더 중요하다
언제 쓰는가?
- 아주 긴 시계열
- 복잡한 전역 패턴
- 다변량 시계열
- 충분한 데이터와 연산 자원 존재
예:
- 장기 예측
- 멀티 센서 시계열
- 복잡한 상호작용이 있는 데이터
2026년 화이팅!!!