[논문 리뷰] Encoding Temporal Markov Dynamics in Graph for Time Series Visualization.

Lu Liu, Zhiguang Wang|arXiv (Cornell University)|2016. 10. 24.

Data Visualization and Analytics참고 문헌 12인용 수 5

한 줄 요약

이 논문은 일阶 마르코프 동역학과 시간 순서를 인코딩하여 시간 시리즈를 복잡한 네트워크로 시각화하는 새로운 방법을 제안한다. 이는 시간적 의존성과 주파수 구조를 모두 유지하며, 자연스러운 역매핑을 통해 원래 시간 시리즈로 복원이 가능하게 하여 분류, 이상 탐지, 시스템 식별 등의 작업에서 직관적인 시각적 탐색과 통계 분석을 향상시킨다.

ABSTRACT

Time series is attracting more attention across statistics, machine learning and pattern recognition as it appears widely in both industry and academia, but few advances has been achieved in effective time series visualization due to its temporal dimensionality and complex dynamics. Inspired by recent effort on using network metrics to characterize time series for classification, we present an approach to visualize time series as complex networks based on first order Markov process and temporal ordering. Different to classical bar charts, line plots and other statistics based graph, our approach delivers more intuitive visualization that better preserves both the temporal dependency and frequency structures. It provides a natural inverse operation to map the graph back to time series, making it possible to use graph statistics to characterize time series for better visual exploration and statistical analysis. Our experimental results suggest the effectiveness on various tasks such as system identification, classification and anomaly detection on both synthetic and the real time series data.

연구 동기 및 목표

• 고차원적인 시간적 차원과 복잡한 동역학으로 인해 효과적인 시간 시리즈 시각화가 어려운 문제를 다루기 위해.
• 선형 플롯과 막대 차트와 같은 전통적인 시각화 방식이 시간적 의존성과 구조적 패턴을 포착하는 데 한계가 있음을 극복하기 위해.
• 시간 시리즈의 시간적 순서와 주파수 특성을 모두 유지하는 네트워크 기반 표현 방식을 개발하기 위해.
• 그래프에서 원래 시간 시리즈로의 역매핑을 가능하게 하여 통계 분석과 시각적 탐색을 지원하기 위해.
• 분류, 이상 탐지, 시스템 식별과 같은 실제 응용 과제에서의 유용성을 입증하기 위해.

제안 방법

• 연속적인 관측치 간의 상태 전이를 포착하기 위해 시간 시리즈를 일계 마르코프 과정으로 모델링한다.
• 노드가 시간 시리즈 값이고, 간선이 시간 순서에 따라 정의된 전이를 나타내는 복잡한 네트워크를 구성한다.
• 네트워크 지표를 사용하여 그래프 표현에서 시간 시리즈의 구조적 및 동적 특성을 인코딩한다.
• 그래프 구조를 활용하여 시각적 탐색과 통계 분석을 수행하며, 원래 시간 시리즈로 복원 가능한 역매핑을 구현한다.
• 그래프 기반 통계를 적용하여 시간 시리즈 행동을 특성화하고, 후속 분석 과제를 가능하게 한다.

실험 결과

연구 질문

• RQ1 네트워크 기반 표현 방식이 시간 시리즈 데이터에서 시간적 의존성과 주파수 구조를 모두 유지할 수 있는가?
• RQ2 제안된 그래프 시각화 방식이 시간 시리즈의 시각적 탐색과 분석을 얼마나 효과적으로 지원하는가?
• RQ3 네트워크 표현에서 유도된 그래프 통계가 분류 및 이상 탐지 성능을 얼마나 향상시킬 수 있는가?
• RQ4 그래프에서 시간 시리즈로의 역매핑이 신뢰성 있는 재구성과 분석을 가능하게 하는가?
• RQ5 이 방법은 다양한 과제에서 합성 및 실세계 시간 시리즈 데이터셋에 대해 얼마나 잘 성능을 발휘하는가?

주요 결과

• 제안된 방법은 전통적인 선형 플롯과 막대 차트에 비해 시간적 구조와 주파수 구조를 유지함으로써 더 직관적인 시각화를 제공한다.
• 네트워크 표현은 자연스러운 역연산을 통해 효과적인 시간 시리즈 재구성 가능성을 보이며, 이중 분석이 가능해진다.
• 네트워크 모델에서 파생된 그래프 기반 통계는 시스템 식별 및 분류 과제에서 성능 향상을 이룬다.
• 이 방법은 합성 및 실세계 시간 시리즈 데이터 모두에서 이상 탐지에 강력한 효과를 보였다.
• 실험 결과는 이 방법이 복잡한 동역학을 포함하는 다양한 시간 시리즈 분석 과제에서 실용성을 입증함을 확인한다.