시계열 예측(time-series forecasting) 분야에서 데이터를 더 세밀하게 나누는 것이 항상 좋은 결과를 가져오지는 않는다는 흥미로운 연구 결과가 발표되었습니다. '세분화 역설(Granularity Paradox)'이라는 이름으로 소개된 이 현상은, 월별 데이터를 일별 데이터처럼 더 작은 시간 단위로 세분화할 경우, 겉으로는 모델의 학습 데이터(in-sample) 적합도와 데이터셋 크기(N)가 개선되는 것처럼 보이지만, 실제로는 장기 예측(out-of-sample) 정확도가 크게 떨어진다는 점을 지적합니다. 이는 예측 오류가 재귀적으로 누적되기 때문입니다.
휴고 모레이라(Hugo Moreira)의 이 연구는 시계열 예측에서 시간 단위(granularity) 선택의 중요성을 강조합니다. 연구팀은 13년간의 공공 조달 데이터셋을 활용하여, 단순 모델부터 통계 모델, 머신러닝, 딥러닝 아키텍처에 이르는 10가지 모델을 6가지 시간 단위(연간, 월간, 주간, 격주, 일간)로 벤치마킹했습니다. 그 결과, 홀트-윈터스(Holt-Winters)와 같은 재귀적(recursive) 자기회귀 및 계절성 모델은 고주파 예측(예: 일간)에서 성능이 크게 저하되는 반면, 선형 회귀(Linear Regression)는 모든 시간 단위에서 비교적 안정적인 성능을 보였습니다. 특히 LSTM 모델은 월간에서 격주로 갈수록 오류가 증가하다가 일간에서는 다시 개선되는 U자형 오류 곡선을 보여, 오류 전파 페널티를 극복하는 양상을 보였습니다.
이 연구는 표준적인 시점별(pointwise) 평가 지표(예: RMSE, MAE)가 누적 오류 전파를 체계적으로 숨길 수 있음을 밝혀냈습니다. 즉, 특정 시점의 예측 정확도만으로는 장기적인 누적 오류를 파악하기 어렵다는 것입니다. 연구팀은 이러한 문제를 해결하기 위해 시점별 지표와 누적 TPFE(Total Percentage Forecast Error)의 방향성 행동을 비교하는 '합의-불일치 진단(consensus-dissensus diagnostic)'을 제안했습니다. 이는 모델의 표준 진단 결과가 체계적인 오류 전파를 가리고 있는지 식별하는 데 도움을 줍니다. 이 '세분화 역설'은 시계열 예측 모델을 개발하고 평가하는 방식에 중요한 시사점을 제공하며, 단순히 데이터의 양을 늘리거나 세분화하는 것이 능사가 아님을 보여줍니다.