학습 0회, 컨텍스트만 갈아끼워 신규 설비 수요를 예측하다

지역난방망은 망마다 수요 패턴이 달라 시스템별로 예측 모델을 새로 학습하고 유지해야 했습니다. 연구팀은 합성 데이터로만 사전학습된 제로샷 시계열 모델 TabPFN-TS를 재학습 없이 실제 열부하 예측에 투입해 다른 파운데이션 모델·전통 머신러닝과 비교했습니다. 최적 설정은 12주 롤링 컨텍스트로 24시간을 시간 단위 예측하는 것이었고, CVRMSE는 13.06%로 Chronos-2(12.48%)에 근소하게 뒤졌지만 확률 예측의 캘리브레이션은 오히려 더 좋았습니다.