효과적인 시계열 데이터 분류를 위한 동적시간왜곡 기반의 시계열 길이 변환

Abstract

각종 센서로부터 생산된 시계열 데이터는 예측 불가능한 수집 환경에 의해 대부분 길이가 다르다. 하지만 시계열 데이터 분류 기법 대부분은 시계열 데이터의 길이가 같음을 가정하고 있다. 또한 길이가 다른 시계열 데이터를 활용한 분류 기법은 동적시간왜곡과 동적시간왜곡으로부터 파생된 방법 이외에 대안이 없으며, 시계열 길이 변환을 직접 다룬 연구는 거의 없다. 이 논문에서는 길이가 다른 시계열 데이터의 길이를 같게 만드는 길이 변환방법을 소개한다. 제안하는 시계열 길이 변환은 동적시간왜곡 알고리즘을 통해 얻은 동적시간왜곡 행렬과 매칭 경로를 활용하여 시계열 데이터를 길이가 가장 긴 시계열의 길이에 맞춰 변환한다. 제안하는 방법은 유사도를 보존하는 변환이므로 변환 후에도 동적시간왜곡 길이가 보존되며, 복원 또한 가능하다. 제안하는 길이 변환 방법의 유효성 검증을 위해 변환 전 시계열 데이터에 1NN-DTW 알고리즘을 적용한 실험과 길이 변환된 데이터에 서포트 벡터 머신, 랜덤 포레스트, 인공신경망, 나이브 베이즈 알고리즘을 적용한 결과를 비교하기 위한 실험을 진행하였다. 그 결과, 제안한 길이 변환을 적용한 데이터를 활용한 분류 성능이 기존 방법보다 거의 모두 결과가 좋았다.