[논문 리뷰] A Shapelet Transform for Multivariate Time Series Classification

Aaron Bostrom, Anthony Bagnall|arXiv (Cornell University)|2017. 12. 18.

Time Series Analysis and Forecasting참고 문헌 21인용 수 13

한 줄 요약

이 논문은 다변량 시계열 분류를 향상시키기 위해 세 가지 다변량 샤프렛 변환—상태 독립형, 내차원 간(MST I), 차원 의존형(MST D)—을 제안한다. MST D가 전체 순열과 제약 시간 실행 환경에서 21개 데이터셋에서 최신 기술 수준의 다변량 DTW 방법과 유사한 성능을 보이며, 유의미한 성능 차이가 없음을 입증함으로써, 샤프렛 변환이 트리 기반 및 거리 기반 접근법의 타당한 대안이 될 수 있음을 보여준다.

ABSTRACT

Shapelets are phase independent subsequences designed for time series classification. We propose three adaptations to the Shapelet Transform (ST) to capture multivariate features in multivariate time series classification. We create a unified set of data to benchmark our work on, and compare with three other algorithms. We demonstrate that multivariate shapelets are not significantly worse than other state-of-the-art algorithms.

연구 동기 및 목표

• 단일 변수 샤프렛 변환을 다변량 데이터에 적응시켜 다변량 시계열 분류(MTSC) 분야의 격차를 해소하고자 한다.
• 형태가 간단한 샤프렛 변환 접근법이 Shapelet Forest와 같은 복잡한 트리 기반 방법과 동등하거나 슈퍼어리어를 달성할 수 있는지 평가하고자 한다.
• 22개의 MTSC 데이터셋(새로운 5개 포함)을 포함한 통합 벤치마킹 프레임워크를 구축하여 MTSC 연구 분야의 평가 기준을 표준화하고자 한다.
• 재현 가능성을 지원하고 향후 알고리즘 개발을 돕기 위해 공개된 데이터, 코드 및 결과를 제공하고자 한다.

제안 방법

• 모든 차원을 동일하게 취급하고 단일 차원 간의 위상 의존 없이 유사도를 계산하는 상태 독립형 샤프렛 변환을 제안한다.
• 내차원 간 샤프렛(MST I)을 도입하여, 각 차원 내에서 위상 의존적인 서브시계열을 찾되, 서로 다른 차원 간 비교는 위상 의존 없이 수행한다.
• 차원 의존형 샤프렛(MST D)을 개발하여, 위상 의존적인 서브시계열을 식별하고, 서로 다른 차원 간의 위상 의존 유사도를 사용해 비교한다.
• 샤프렛 변환을 특징 공학 단계로 적용하여, 원시 시계열을 새로운 특징 공간으로 변환한 후, 표준 분류기로 분류한다.
• 대규모 데이터셋에서의 확장성을 위해 1시간 실행 시간 제약 조건이 적용된 제약 버전의 샤프렛 변환을 구현한다.
• 100번 반복된 교차 검증과 비모수적 통계 검정(Wilcoxon 부호 순위 검정 및 t-검정)을 사용하여 알고리즘 간 성능을 비교한다.

실험 결과

연구 질문

• RQ1 샤프렛 기반 접근법이 최신 기술 수준의 다변량 시계열 분류 알고리즘과 유사한 성능을 달성할 수 있는가?
• RQ2 위상 독립형, 내차원 간, 차원 의존형 등 다양한 다변량 샤프렛 형식 간 분류 정확도에서의 성능 비교는 어떠한가?
• RQ3 1시간 실행 시간 제약 조건으로 샤프렛 탐색 공간을 제한할 경우, 전체 순열 대비 성능 저하가 유의미하게 발생하는가?
• RQ4 제안된 다변량 샤프렛 변환이 다양한 MTSC 데이터셋에서 다변량 DTW 변종(DTW_D, DTW_I, DTW_A)과 경쟁 가능한가?
• RQ5 표준화된 데이터와 평가 기준을 갖춘 통합 벤치마킹 프레임워크는 재현 가능성 향상과 MTSC 연구 진전에 기여하는가?

주요 결과

• 전체 순열 조건에서 Wilcoxon 부호 순위 검정과 t-검정을 통해 확인한 결과, MST D 방법은 16개 데이터셋에서 세 가지 다변량 DTW 방법(DTW_D, DTW_I, DTW_A)과 유의미한 성능 차이가 없었다.
• 1시간 실행 시간 제약 조건 하에서도 MST D는 21개 데이터셋에서 모든 다변량 DTW 방법과 비교해 유의미한 성능 저하 없이 유지되었으며, 성능 손실 없이 확장 가능함을 입증했다.
• 상태 독립형 샤프렛 방법(Shapelet I)은 DTW_A 및 DTW_I보다 유의미하게 열등했지만, DTW_D보다는 유의미하게 열등하지 않았다.
• 독립형 샤프렛 방법은 모든 DTW 방법보다 유의미하게 열등했으며, MST I 및 MST D보다도 열등하여 그 효과가 제한적임을 시사했다.
• 저자들은 22개의 MTSC 데이터셋(새로운 5개 포함)을 포함한 통합 데이터 세트 컬렉션을 성공적으로 구축했으며, 모든 데이터, 코드 및 결과를 공개하여 향후 연구 지원을 제공했다.
• 본 연구는 차원 의존 유사도로 최적화된 경우, 샤프렛이 트리 기반 및 거리 기반 방법과 경쟁 가능한 강력한 대안이 될 수 있음을 확인했다.