다시점 시계열 예측은 시간에 따라 변화하는 기록 데이터를 획득할 수 있는 다양한 산업 및 연구 분야에서 매우 활발히 연구되어 오던 주제이다. 현재는 딥러닝 모델을 이용해 시계열의 고유한 특성인 주기성, 추세성, 비규칙성 등의 시간적 역학(temporal dynamics)을 학습하는 연구 방법론이 일반적이나, 모델의 예측 결과를 평가하고 학습 방법 및 방향을 결정하는 손실함수에 대한 연구는 아직까지 많지 않다.

본 논문에서는 시계열 예측 용 딥러닝 모델의 학습을 위한 개선된 동적 시간 정합(Dynamic Time Warping, DTW) 기반 손실함수를 제시한다. 미분 가능한 동적 시간 정합에 거리 기반 가중 방법 (Weighted DTW) 과 주변 시점들을 함께 고려하는 모양 기술자를 사용하는 방법(Shape DTW)를 적용하여 목표 시계열의 모양(변화의 크기와 시점)을 더욱 정확하게 예측할 수 있도록 의도하였다. 제시한 손실함수를 여러 딥러닝 모델과 서로 다른 특징을 갖는 실제 데이터 셋들에 적용하고 유클리드 거리 기반 손실함수 및 기존 동적 시간 정합 기반 손실함수와의 비교를 통해 예측 성능이 향상됨을 보였다. 또한 정량적 관점에서는 다양한 평가지표를 사용하여 시계열 예측을 여러 관점에서 평가하였으며, 정성적 평가를 통해 제시한 손실함수가 시계열의 급격한 변화를 더욱 잘 예측한다는 것을 보여 기존 손실함수를 충분히 대체할 수 있음을 확인하였다.