[논문 리뷰] Encoding Temporal Markov Dynamics in Graph for Visualizing and Mining Time Series

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

Data Visualization and Analytics인용 수 15

한 줄 요약

이 논문은 일阶 마르코프 역학을 사용하여 시간 시리즈를 복잡한 네트워크로 인코딩함으로써 시간 순서와 주파수 구조를 유지하면서 시간 시리즈를 시각화하고 탐색하는 새로운 방법을 제안한다. 이 방법은 정확한 역매핑을 보장하여 직관적인 시각 분석을 가능하게 하며, 실제 및 합성 센서 데이터에서 패턴 탐지와 분류 정확도를 향상시킨다.

ABSTRACT

Time series and signals are attracting more attention across statistics, machine learning and pattern recognition as it appears widely in the industry especially in sensor and IoT related research and applications, but few advances has been achieved in effective time series visual analytics and interaction 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 the first order Markov process in its temporal ordering. In contrast to the 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 raw signals, 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 pattern discovery and classification on both synthetic and the real time series and sensor data.

연구 동기 및 목표

• 센서 및 IoT 기기에서 생성되는 복잡하고 고차원적인 시간 시리즈 데이터를 시각화하는 데 도전 과제를 해결한다.
• 선형 플롯, 픽셀 플롯 등의 전통적 시각화 방법이 시간 의존성과 역학을 포착하는 데 한계를 가진다는 점을 극복한다.
• 시간 순서와 통계적 구조를 모두 유지하는 시간 시리즈의 그래프 기반 표현을 개발한다.
• 시간 시리즈에서 그래프로의 변환 과정이 자연스러운 역연산을 가지도록 하여 해석 가능한 시각 분석을 가능하게 한다.
• 분류, 이상 탐지, 패턴 탐지와 같은 후속 작업에 있어 그래프 통계의 유용성을 입증한다.

제안 방법

• 마르코프 모델링을 위해 시간 시리즈 값을 Q 분위수 구간으로 이산화한다.
• 이산화된 상태 간 전이 확률을 계산하여 일계 마르코프 전이 행렬 W를 구성한다.
• 시간 역학을 2차원 격자 표현에 유지하면서 마르코프 전이 필드(MTF) M으로 전환한다.
• 핵심 구조적 특징을 유지하면서 해상도를 줄이기 위해 공간적 다운샘플링(예: 2×2 평균 풀링)을 적용한다.
• 각 셀을 노드로 간주하고 근접성과 전이 확률에 기반해 노드를 연결함으로써 MTF를 복잡한 네트워크로 매핑한다.
• 시각 탐색과 특징 추출을 위해 네트워크 통계(예: 모듈래리티, 차수, 군집 계수, 경로 길이)를 사용한다.

실험 결과

연구 질문

• RQ1 마르코프 전이 역학이 시간 시리즈의 시간적 및 주파수 정보를 유지하면서 그래프 구조에 효과적으로 인코딩될 수 있는가?
• RQ2 제안된 그래프 표현 방식이 기존의 시각화 방식과 비교해 더 직관적인 시간 시리즈 패턴 탐색을 가능하게 하는가?
• RQ3 그래프에서 원시 시간 시리즈로의 역매핑 기능이 시각 분석의 해석 가능성과 사용자 상호작용을 향상시키는가?
• RQ4 그래프 표현에서 유도된 네트워크 통계가 실제 센서 데이터에서 분류 및 이상 탐지 성능을 얼마나 향상시키는가?
• RQ5 네트워크의 위상적 성질(예: 모듈래리티, 커뮤니티 구조)이 시간 시리즈의 잠재적 역학적 제어 상태를 얼마나 잘 반영하는가?

주요 결과

• 제안된 방법은 시간 순서와 주파수 구조를 모두 유지하는 복잡한 네트워크로 시간 시리즈를 성공적으로 변환한다.
• 네트워크 시각화는 원시 신호가 유사해 보일지라도 건강한 및 비건강한 심전도 신호에서 각각 선형적, 원형 구조와 같은 명확한 위상적 패턴을 드러낸다.
• 원시 데이터와 그래프 통계를 조합한 1-NN 분류기의 정확도가 향상되었으며, 심전도 데이터에서는 0.90 vs. 0.88, 웨이퍼 데이터에서는 0.996 vs. 0.995, 건-포인트 데이터에서는 0.932 vs. 0.913를 기록했다.
• paired t-검정에서 평균 차수, 가중 차수, 밀도, 모듈래리티와 같은 통계적 네트워크 특징이 양성 및 음성 레이블 간에 유의미한 차이를 보였다.
• 네트워크 표현은 원시 형태가 유사한 시간 시리즈 간의 구조적 차이를 효과적으로 포착한다. 예를 들어, 건-드로잉 패턴은 7개의 별도된 커뮤니티를 보이고, 포인트 패턴은 3개의 커뮤니티를 보인다.
• 역매핑 기능은 사용자가 네트워크 패턴을 탐색하고 원시 신호의 특정 시간-공간 패턴으로 추적할 수 있도록 하여 해석 가능성을 향상시킨다.