[論文レビュー] MASA: Motif-Aware State Assignment in Noisy Time Series Data

Saachi Jain, David Hallac+2 more|arXiv (Cornell University)|Sep 6, 2018

Time Series Analysis and Forecasting参考文献 27被引用数 7

ひとこと要約

MASAは、ノイズの多い多次元時系列データにおいて、繰り返し現れる状態のパターン（モチーフ）を同時に発見し、状態割り当てを向上させる、新しい非教師付き手法である。期待最大化（EM）フレームワークを用いることで、合成データにおいて最先端のベースラインを最大38.2%上回り、実世界のデータにおいても飛行や走行の解釈可能な一貫性のあるモチーフをノイズの影響を受けても特定可能である。

ABSTRACT

Complex systems, such as airplanes, cars, or financial markets, produce multivariate time series data consisting of a large number of system measurements over a period of time. Such data can be interpreted as a sequence of states, where each state represents a prototype of system behavior. An important problem in this domain is to identify repeated sequences of states, known as motifs. Such motifs correspond to complex behaviors that capture common sequences of state transitions. For example, in automotive data, a motif of "making a turn" might manifest as a sequence of states: slowing down, turning the wheel, and then speeding back up. However, discovering these motifs is challenging, because the individual states and state assignments are unknown, have different durations, and need to be jointly learned from the noisy time series. Here we develop motif-aware state assignment (MASA), a method to discover common motifs in noisy time series data and leverage those motifs to more robustly assign states to measurements. We formulate the problem of motif discovery as a large optimization problem, which we solve using an expectation-maximization type approach. MASA performs well in the presence of noise in the input data and is scalable to very large datasets. Experiments on synthetic data show that MASA outperforms state-of-the-art baselines by up to 38.2%, and two case studies demonstrate how our approach discovers insightful motifs in the presence of noise in real-world time series data.

研究の動機と目的

• ノイズの多い多次元時系列データにおいて、状態やモチーフのパターンが事前に不明な状況でも、測定値に対する状態のロバストな割り当てを実現すること。
• 非教師付きで、状態割り当て、モチーフ、その時間的パターンを同時に学習すること。
• 発見されたモチーフを文脈的事前分布として用いることで、センサーノイズの影響下でも状態割り当ての正確性を向上させること。
• 走行時のカーブや航空機の離着陸などの複雑なシステム行動の解釈可能なセグメンテーションを可能にすること。
• 測定ノイズやモチーフの持続時間の変動に強く、大規模な実世界データセットにもスケーラブルに適用できること。

提案手法

• 状態モデル、状態割り当て、モチーフ集合という3つの相互に依存する変数を対象として、モチーフ発見と状態割り当てを統合的最適化問題として定式化する。
• 非凸的かつ組合せ的性質を持つ問題を扱うために、状態割り当てとモチーフ発見を繰り返し改善する期待最大化（EM）型のアルゴリズムを採用する。
• 状態割り当てのための確率的状態モデル（TICC）を尤度関数として用い、状態系列上のパターンマッチングによってモチーフ制約を強制する。
• モチーフのインスタンスを活用して誤って割り当てられた状態を修正し、ノイズの影響を受ける測定値をより一貫性のあるモチーフパターンに再割り当てする。
• スケーラビリティを確保するため、状態割り当ての前段階で次元削減（PCA）を高次元センサーデータに適用する。
• モチーフに基づく文脈を活用して状態割り当てのロバスト性を向上させ、モチーフを構造的事前分布として活用し、状態ラベル付けを支援する。

実験結果

リサーチクエスチョン

• RQ1 状態やモチーフパターンの事前知識が全くない状況でも、ノイズの多い多次元時系列データからモチーフを発見できるか？
• RQ2 センサーノイズの影響下で、モチーフ発見をどのように活用することで状態割り当てのロバスト性を向上させられるか？
• RQ3 モチーフを考慮した状態割り当ては、標準的なクラスタリングやセグメンテーション手法に比べて、実世界の時系列データでどの程度優れているか？
• RQ4 MASAは、航空機や車両のような複雑なシステムにおいて、解釈可能で一貫性のある行動的モチーフを特定できるか？
• RQ5 状態とモチーフの統合的最適化は、逐次的または独立的なアプローチと比較して、正確性とスケーラビリティの面でどの程度優れているか？

主な発見

• 合成データにおいて、MASAは最先端のベースラインを最大38.2%上回るモチーフ発見の正確性を達成し、ノイズへの優れた耐性を示した。
• 自動車データでは、個々の測定値がノイズの影響で誤って割り当てられても、「曲がり」モチーフ（減速→旋回→加速）を正確に特定した。
• 商用機データにおいて、「離陸・着陸」モチーフ [J,G,A,H,D,E] を正しく同定し、降下前、降下、滑走路移動、乗客乗車、離陸、上昇の各段階を一貫して捉えた。
• モチーフインスタンスごとの平均高度と地上速度プロファイルから、各状態セグメントが飛行行動の意味のある段階に対応していることが確認された。
• MASAのモチーフベースの補正により、ノイズの影響を受ける測定値が正しく状態に再割り当てされた。特に、TICCが「曲がり」パターンを保持できなかった車両データで顕著に効果が見られた。
• 本手法は大規模データセットにも効果的にスケーリングでき、1,459次元のセンサーデータ（85便分）を13次元のPCAで低次元化し、10の状態を扱いながらも解釈可能性を維持した。