[논문 리뷰] Cyclicality, Periodicity and the Topology of Time Series

Paweł Dłotko, Wanling Qiu외 1명|arXiv (Cornell University)|2019. 05. 28.

Topological and Geometric Data Analysis참고 문헌 18인용 수 7

한 줄 요약

이 논문은 슬라이딩 윈도우 임bedding과 영구 homology를 사용하여 노이즈가 있는 단변량 시계열에서 주기성을 탐지하고 정량화하는 토폴로지적 데이터 분석(TDA) 프레임워크를 소개한다. 임베딩 공간에서 순환 구조를 식별하고 랜드마크 할당에서 유도된 기호 역학을 분석함으로써, 이 방법은 두 주기 이상의 경우에도 주기성을 신뢰성 있게 탐지하며, 노이즈가 많거나 불규칙하게 샘플링된 데이터에서 스펙트럼 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Periodic and semi periodic patterns are very common in nature. In this paper we introduce a topological toolbox aiming in detecting and quantifying periodicity. The presented technique is of a general nature and may be employed wherever there is suspected cyclic behaviour in a time series with no trend. The approach is tested on a number of real-world examples enabling us to consistently demonstrate an ability to recognise periodic behaviour where conventional techniques fail to do so. Quicker to react to changes in time series behaviour, and with a high robustness to noise, the toolbox offers a powerful way to deeper understanding of time series dynamics.

연구 동기 및 목표

• 기존의 스펙트럼 기법이 실패하는 노이즈가 많은 시계열에서 주기성을 탐지하기 위한 강건한 토폴로지 기반 방법을 개발하기 위해.
• 주기 수가 적거나 노이즈에 의해 심하게 손상된 경우 스펙트럼 방법이 진정한 주기성을 식별하는 데 한계를 가진 문제를 해결하기 위해.
• 스펙트럼 방법이 많은 반복을 필요로 하는 반면, TDA 기반 접근법은 단 두 번의 관측 주기로도 주기성을 탐지할 수 있음을 입증하기 위해.
• 재무, 생물학, 기후학 등 다양한 분야에 적용 가능한 일반 목적의 도구 상자 제공을 위해.
• 향후 TDA를 표준 통계 소프트웨어의 시계열 분석에 통합하기 위한 기반을 마련하기 위해.

제안 방법

• 시간 시계열을 고차원 공간에서 점의 집합으로 변환하기 위해 슬라이딩 윈도우 임베딩(SWE)을 구성하기 위해.
• SWE에 영구 homology를 적용하여 순환 위상 구조를 탐지하고, 1차 호모로지 군의 노름을 순환성의 척도로 사용하기 위해.
• 임베딩된 점의 집합에 균일하게 분포된 랜드마크 점을 배치하여 기호 역학 표현을 가능하게 하기 위해.
• SWE의 각 점을 가장 가까운 랜드마크에 할당(강성 또는 연성 할당)하여 시간 순서에 기반한 기호 시퀀스를 생성하기 위해.
• 기호 역학 시퀀스에서 반복 패턴을 탐지함으로써 주기성을 식별하기 위해.
• SWE에서의 순환 구조의 토폴로지 서명을 주기성의 필수 조건으로 사용하며, 윈도우 길이와 노이즈에 대한 강건성으로 검증하기 위해.

실험 결과

연구 질문

• RQ1 TDA는 스펙트럼 방법이 자주 실패하는 경우, 최소 두 주기로도 시계열의 주기성을 탐지할 수 있는가?
• RQ2 실제 노이즈가 많은 데이터에서, R의 forecast 패키지에 포함된 findfrequency 함수와 비교할 때 TDA 기반 접근법은 어떻게 성능을 보이는가?
• RQ3 제안된 방법은 노이즈와 윈도우 임베딩 길이의 변동에 얼마나 강건한가?
• RQ4 신호가 약하거나 비 stationary한 경우에도 슬라이딩 윈도우 임베딩에서의 토폴로지 서명이 기반 주기적 행동을 신뢰성 있게 나타낼 수 있는가?
• RQ5 재무 및 기후학과 같은 실세계 응용 분야에서 영구 homology와 기호 역학을 사용하는 데 실질적인 이점은 무엇인가?

주요 결과

• 노이즈 수준이 높은 멜버른 기온 데이터에서 TDA 방법은 연간 주기성을 성공적으로 탐지했으며, 주기 추정 평균이 진정한 365일 주기와 가까운 약 350일을 기록했다.
• 줄리히 태양흑점 데이터에서는 TDA와 스펙트럼 방법 모두 주기성을 탐지했지만, TDA는 짧은 기간의 변동에 더 민감함을 보여, 향상된 반응성을 시사했다.
• CASS 선박 운항 데이터의 경우, R의 forecast 패키지에 포함된 findfrequency 함수는 주기성을 탐지하지 못했으며(평균 추정치 <1, 많은 0), 반면 TDA는 명확한 주기적 패턴을 정확히 식별했다.
• 이 방법은 노이즈와 윈도우 길이 선택에 대해 강건성을 보였으며, 다양한 임베딩 파rameter에서 일관된 탐지 성능을 유지했다.
• 단 두 번의 관측 주기로도 TDA 접근법은 주기성을 확인할 수 있었지만, 스펙트럼 방법은 신뢰성 있는 탐지를 위해 훨씬 더 많은 반복이 필요로 한다.
• 랜드마크 할당 기반의 기호 역학 접근법은 시간 시계열에서 주기적 패턴을 성공적으로 포착했으며, 기반 주기적 행동에 대한 강력한 증거를 제공했다.