[論文レビュー] Predictive Mining of Time Series Data in Astronomy

Eric S. Perlman, Akshay Java|arXiv (Cornell University)|Dec 18, 2002

Time Series Analysis and Forecasting参考文献 1被引用数 9

ひとこと要約

この論文は、従来のフーリエ解析に基づく手法とは異なり、金融データ分析にインspiredされたクラスタリングおよびルール発見を用いた、天文時系列データ向けのJavaベースの予測マイニングツールボックスを提示する。この手法はRXTE ASMデータにおいて予測可能なパターンを効果的に特定し、特にSMC X-1のような可変源における短時間スケールのルールを特定することで、自信スコアを伴って将来的な出来事象を予測可能にする。

ABSTRACT

We discuss the development of a Java toolbox for astronomical time series data. Rather than using methods conventional in astronomy (e.g., power spectrum and cross-correlation analysis) we employ rule discovery techniques commonly used in analyzing stock-market data. By clustering patterns found within the data, rule discovery allows one to build predictive models, allowing one to forecast when a given event might occur or whether the occurrence of one event will trigger a second. We have tested the toolbox and accompanying display tool on datasets (representing several classes of objects) from the RXTE All Sky Monitor. We use these datasets to illustrate the methods and functionality of the toolbox. We also discuss issues that can come up in data analysis as well as the possible future development of the package.

研究の動機と目的

• 周期性に基づく手法にとどまらない、リアルタイムで予測分析可能な天文時系列データ用のツールを開発すること。
• データ駆動型のルール発見技術を用いて、例え flares や明るさの変化といった天体物理学的出来事象を予測すること。
• 予測された源の活動に基づいて最適な観測ウィンドウを予測することで、望遠鏡のスケジューリングを改善すること。
• 天文における不規則的または準周期的可変対象の時間系列解析における現在の限界を是正すること。

提案手法

• 時間系列データから部分列を抽出するためのスライディングウィンドウ技術。
• 類似した部分列を代表的な「基本形状」としてグループ化するためのグリーディクラスタリングアルゴリズム（Das et al. 1997）。
• 2つの時間系列間のクラスタ間におけるルール発見：「系列1でクラスタAが発生すると、時間T以内に系列2でクラスタBが発生する確率がcとなる」。
• C言語で実装されたルール推論エンジンと、インタラクティブなルール探索を可能にするJavaベースのビジュアライザーの実装。
• 予測ルールの評価および表示に、信頼度と頻度の指標を用いる。
• 株式市場分析で一般的なデータマイニング技術を、天体物理学的時間系列に適応応用する。

実験結果

リサーチクエスチョン

• RQ1 金融データマイニングから得たルール発見およびクラスタリング技術は、天文時系列の変動を効果的に予測するために適用可能か？
• RQ2 この手法は、SMC X-1のような可変源において、短時間スケールの予測可能なパターンをどの程度効果的に検出できるか？
• RQ3 予測された源の活動に基づく観測最適化ウィンドウの予測によって、望遠鏡のスケジューリングをどの程度改善できるか？
• RQ4 欠損データや複数の機器による時間系列データの処理において、現在の実装の限界は何か？

主な発見

• ツールボックスは、特にSMC X-1のような複雑な可変性を示す源において、RXTE ASMデータから短時間スケールの予測可能なルールを効果的に特定した。
• ウィンドウサイズを調整することで、より長い周期のルールも検出可能であるが、これには短いスケールのパターンがぼやけるリスクがある。
• 平滑化技術が、より長い周期のルールの検出を効果的に向上させることを示した。
• このツールは、源の活動レベルの予測に有効であり、これにより望遠鏡のスケジューリング意思決定に貢献できる。
• 現在の実装は単一の時間系列に限定されており、欠損データの処理に十分な耐性がない。
• 今後の改善として、動的時間ワープングイーリングの導入により、準周期的振動の検出が向上する可能性がある。