최근 시계열 예측(Time Series Forecasting) 분야는 Transformer 및 대규모 언어 모델(Large Language Model, LLM)과 같은 딥러닝 모델의 등장으로 빠른 발전을 이루었다. 이러한 모델들은 특히 장기 예측에서 높은 정확도를 달성했지만, 과도한 연산량과 메모리 사용량으로 인해 실시간 분석이 필수적인 자원 제약적 엣지 디바이스 및 MCU 환경에는 적용하기 어려운 한계를 가진다. 이는 시계열 예측 분야에서 예측 정확도와 운영 효율성 간의 중대한 상충 관계를 야기한다.

본 연구에서는 이러한 상충 관계를 극복하기 위해, 높은 예측 성능을 유지하면서도 효율적인 경량 시계열 예측 모델을 제안한다. 효과적인 경량화를 달성하기 위해 경량 CNN 기반 모델을 설계하며, 대규모 교사 모델의 지식을 경량 학생 모델에 효과적으로 전달하는 Transformer-to-CNN 이종 모델 간 지식 증류 기법을 제안한다. 제안하는 모델은 시계열 예측 벤치마크 데이터세트에서 기존 모델들 대비 우수한 성능을 달성하였으며, MCU에 모델을 배포하여 실시간 추론 가능성을 입증하였다.