[논문 리뷰] Modelling, Detrending and Decorrelation of Network Time Series

Marina I. Knight, Matthew A. Nunes외 1명|arXiv (Cornell University)|2016. 03. 10.

Complex Systems and Time Series Analysis참고 문헌 5인용 수 20

한 줄 요약

이 논문은 네트워크 리프팅을 사용해 추세를 제거하고 상관관계를 해소함으로써 동적 네트워크에서의 시계열을 모델링하기 위한 네트워크 자기회귀(통합)이동평균(NARIMA) 모델을 소개한다. 네트워크 차분화는 추세를 효과적으로 제거하지만, 상관관계를 균일하게 감소시키지는 않으며, 이는 노드 간 상관관계의 부호와 모델 파라미터에 따라 달라진다.

ABSTRACT

A network time series is a multivariate time series augmented by a graph that describes how variables (or nodes) are connected. We introduce the network autoregressive (integrated) moving average (NARIMA) processes: a set of flexible models for network time series. For fixed networks the NARIMA models are essentially equivalent to vector autoregressive moving average-type models. However, NARIMA models are especially useful when the structure of the graph, associated with the multivariate time series, changes over time. Such network topology changes are invisible to standard VARMA-like models. For integrated NARIMA models we introduce network differencing, based on the network lifting (wavelet) transform, which removes trend. We exhibit our techniques on a network time series describing the evolution of mumps throughout counties of England and Wales weekly during 2005. We further demonstrate the action of network lifting on a simple bivariate VAR(1) model with associated two-node graph. We show theoretically that decorrelation occurs only in certain circumstances and maybe less than expected. This suggests that the time-decorrelation properties of spatial network lifting are due more to the trend removal properties of lifting rather than any kind of stochastic decorrelation.

연구 동기 및 목표

• 진동하는 네트워크 구조를 명시적으로 포함하는 네트워크 시계열을 위한 유연한 모델 클래스를 개발하기 위해.
• 에피디미올로지 데이터처럼 '이동하는 노드' 효과가 흔한 동적 네트워크에서 표준 VARMA 모델의 한계를 해결하기 위해.
• 네트워크 리프팅 변환을 기반으로 한 네트워크 차분화 기법을 제안하여 네트워크 시계열의 추세를 제거하기 위해.
• 공간적 네트워크 리프팅이 시간적으로 스토하스틱 해소를 달성하는 조건을 이론적으로 조사하기 위해.
• 단순 이변량 모델과 실제 풍진 데이터를 사용하여 네트워크 리프팅이 상관관계 감소에 얼마나 효과적인지 평가하기 위해.

제안 방법

• 네트워크 구조를 가진 다변량 시계열에 특화된 VARMA 모델의 확장으로 NARIMA 모델을 제안한다.
• 네트워크 리프팅(웨이블릿 기반 변환)을 적용하여 추세 제거를 위한 네트워크 차분화를 정의하며, 이는 시계열에서 고전적 차분화와 유사하다.
• 네트워크 리프팅 변환을 사용해 노드 값과 그 이웃 값 간의 차이를 계산하고, 이를 새로운 변환된 시계열로 구성한다.
• 이중 노드 그래프를 가진 이변량 VAR(1) 모델에서 올림프-한계 상관분산의 이론적 표현을 유도한다.
• 원본 시계열과 변환된 시계열 간의 상관분산 절대값 차이를 분석하여 상관관계 해소 성능을 평가한다.
• 2005년 영국 및 웨일즈의 47개 군에서의 주간 풍진 환자 수 데이터를 활용해 실증 데이터를 검증한다.

실험 결과

연구 질문

• RQ1 NARIMA 모델은 시간에 따라 변화하는 네트워크 구조를 가진 네트워크 시계열을 효과적으로 모델링할 수 있는가, 특히 노드가 이동하거나 연결성이 변화할 경우에?
• RQ2 네트워크 리프팅은 네트워크 시계열에서 추세를 얼마나 효과적으로 제거하는가, 그리고 고전적 차분화와 비교해 봤을 때 어떻게 되는가?
• RQ3 네트워크 리프팅이 시간 시계열에서 스토하스틱 해소를 이끌어내는 조건은 무엇이며, 이 효과는 다양한 상관관계 구조에서 일관된가?
• RQ4 노드 상관관계의 부호와 크기는 리프팅 이후의 자기상관 구조에 어떻게 영향을 미치는가?
• RQ5 이론적 및 실증적 결과에 따르면, 네트워크 차분화의 주요 기능이 상관관계 해소가 아니라 추세 제거에 기인하는가?

주요 결과

• 네트워크 리프팅은 통합 과정을 정확하게 모델링하기 위해 필수적인 추세 제거에 효과적이다.
• 이론적 분석 결과, 네트워크 리프팅을 통한 상관관계 해소가 보장되지 않으며, 노드 간 상관관계의 부호와 크기에 따라 달라진다: 양의 상관관계는 자기상관을 감소시키고, 음의 상관관계는 자기상관을 증가시킨다.
• 이변량 VAR(1) 모델에서 α = β = 0.4(양의 상관관계)일 경우, 리프팅된 시계열의 절대 1차 자기상관은 원본 시계열보다 유의미하게 작다.
• α = 0.4, β = -0.4(음의 상관관계)일 경우, 리프팅 후 절대 1차 자기상관은 증가하여 상관관계 해소가 균일하지 않음을 확인한다.
• 풍진 데이터에 대한 실증 결과는 리프팅된 시계열의 자기상관 절대값이 원본 시계열보다 자주 작지만, 이는 항상 성립하지 않으며 근본적인 상관관계 구조에 따라 달라진다.
• 네트워크 차분화의 주요 이점은 상관관계 해소보다는 추세 제거에서 기인하는 것으로 보이며, 이는 이후 모델링을 위한 사전 처리 단계에서의 주요 활용가치를 시사한다.