[논문 리뷰] MASA: Motif-Aware State Assignment in Noisy Time Series Data

Saachi Jain, David Hallac외 2명|arXiv (Cornell University)|2018. 09. 06.

Time Series Analysis and Forecasting참고 문헌 27인용 수 7

한 줄 요약

MASA는 모티프—반복적인 시스템 상태 시퀀스—를 공동으로 탐지하고, 노이즈가 있는 다변량 시계열에서 상태 할당을 향상시키기 위해 모티프 인식을 활용하는 새로운 비지도 학습 방법이다. 기대값 최대화(EM) 프레임워크를 사용하여, MASA는 합성 데이터에서 최상위 기준보다 최대 38.2% 향상된 성능을 보이며, 노이즈가 있는 실제 데이터 세트에서 해석 가능한 일관성 있는 비행 및 주행 모티프를 식별한다.

ABSTRACT

Complex systems, such as airplanes, cars, or financial markets, produce multivariate time series data consisting of a large number of system measurements over a period of time. Such data can be interpreted as a sequence of states, where each state represents a prototype of system behavior. An important problem in this domain is to identify repeated sequences of states, known as motifs. Such motifs correspond to complex behaviors that capture common sequences of state transitions. For example, in automotive data, a motif of "making a turn" might manifest as a sequence of states: slowing down, turning the wheel, and then speeding back up. However, discovering these motifs is challenging, because the individual states and state assignments are unknown, have different durations, and need to be jointly learned from the noisy time series. Here we develop motif-aware state assignment (MASA), a method to discover common motifs in noisy time series data and leverage those motifs to more robustly assign states to measurements. We formulate the problem of motif discovery as a large optimization problem, which we solve using an expectation-maximization type approach. MASA performs well in the presence of noise in the input data and is scalable to very large datasets. Experiments on synthetic data show that MASA outperforms state-of-the-art baselines by up to 38.2%, and two case studies demonstrate how our approach discovers insightful motifs in the presence of noise in real-world time series data.

연구 동기 및 목표

• 측정값이 노이즈가 많은 다변량 시계열에서 상태와 모티프가 알려져 있지 않은 상황에서 상태 할당을 안정적으로 수행하는 데 도전한다.
• 비지도 방식으로 상태 할당, 모티프, 그리고 그들의 시간적 패턴을 함께 학습한다.
• 발견된 모티프를 맥락적 사전 정보로 활용하여, 특히 센서 노이즈가 존재할 경우 상태 할당 정확도를 향상시킨다.
• 예를 들어 주행 중의 회전이나 항공기의 이륙/강하와 같은 복잡한 시스템 행동의 해석 가능한 세그먼테이션을 가능하게 한다.
• 측정 노이즈와 변동하는 모티프 지속 시간에 대해 강건성을 유지하면서도 대규모 실세계 데이터셋에 적용 가능한 확장성을 확보한다.

제안 방법

• 상태 모델, 상태 할당, 모티프 집합이라는 세 가지 상호의존 변수에 대해 공동 최적화 문제로 모티프 탐지와 상태 할당을 공식화한다.
• 비볼록이고 조합적 성격을 지닌 문제를 다루기 위해 기대값 최대화(EM) 유형 알고리즘을 사용하여 반복적으로 상태 할당과 모티프 탐지를 개선한다.
• 상태 할당의 기본 가능성으로 확률적 상태 모델(TICC)을 사용하며, 상태 시퀀스에 대한 패턴 매칭을 통해 모티프 제약 조건을 구현한다.
• 모티프 인스턴스를 활용해 잘못 할당된 상태를 수정한다—노이즈가 있는 측정값을 더 일관성 있는 모티프 패턴으로 재할당한다.
• 확장성을 확보하기 위해 상태 할당 이전에 고차원 센서 데이터에 대해 차원 축소(PCA)를 적용한다.
• 모티프 기반 맥락을 통합하여 상태 할당의 강건성을 향상시키며, 모티프를 상태 레이블링을 안내하는 구조적 사전 정보로 간주한다.

실험 결과

연구 질문

• RQ1 측정값과 모티프 패턴에 대한 사전 지식 없이도 노이즈가 있는 다변량 시계열에서 모티프를 탐지할 수 있는가?
• RQ2 센서 노이즈가 존재할 경우, 모티프 탐지 기반으로 상태 할당의 강건성을 어떻게 향상시킬 수 있는가?
• RQ3 모티프 인식 상태 할당이 실세계 시계열에서 표준 클러스터링 및 세그먼테이션 방법보다 얼마나 뛰어나게 성능을 발휘할 수 있는가?
• RQ4 MASA는 항공기 및 차량과 같은 복잡한 시스템에서 해석 가능한 일관성 있는 행동 모티프를 식별할 수 있는가?
• RQ5 상태와 모티프의 공동 최적화가 정확도와 확장성 측면에서 순차적 또는 독립적 접근 방식보다 어떻게 비교되는가?

주요 결과

• MASA는 합성 데이터에서 최상위 기준보다 최대 38.2% 높은 모티프 탐지 정확도를 기록하여 노이즈에 대한 뛰어난 강건성을 입증한다.
• 자동차 데이터에서는 개별 측정값이 노이즈로 잘못 할당되더라도, MASA는 '회전' 모티프—속도 감소, 회전, 속도 증가—를 성공적으로 식별한다.
• 항공기 데이터에서는 상용 항공기에서 '이륙 및 착륙' 모티프 [J,G,A,H,D,E]를 정확히 식별하며, 정착 감소, 강하, 승객 탑재, 이륙, 상승 단계를 일관되게 포착한다.
• 모티프 인스턴스들 간의 평균 고도 및 지상 속도 프로파일은 각 상태 세그먼트가 비행 행동의 의미 있는 단계에 해당함을 확인한다.
• MASA의 모티프 기반 보정은 노이즈가 있는 측정값을 정확한 상태로 재할당하는 데 성공했으며, 이는 TICC가 회전 패턴을 유지하지 못한 자동차 데이터 세트에서 뚜렷하게 드러난다.
• 메서드는 대규모 데이터셋에 효과적으로 스케일업되며, 1,459차원 센서 데이터에서 13차원 PCA 압축을 거쳐 10개 상태로 처리하면서도 해석 가능성을 유지한다.