[논문 리뷰] RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series

Qingsong Wen, Jingkun Gao외 4명|arXiv (Cornell University)|2018. 12. 05.

Time Series Analysis and Forecasting참고 문헌 4인용 수 24

한 줄 요약

RobustSTL는 최소제곱편차에 ℓ₁ 정규화와 비국소적 계절성 필터링을 적용한 새로운 계절-추세 분해 알고리즘을 제안한다. 이는 고노이즈, 계절성 이동, 급격한 변화가 있는 장기 시계열 데이터에서 추세 및 계절성 성분을 견고하게 추출하는 데에 효과적이다. 이 알고리즘은 STL, TBATS, STR보다 이상치, 추세 이동, 장기 계절 주기(예: T=1440) 처리에서 뛰어난 성능을 보이며, 합성 및 실세계 데이터셋 모두에서 뛰어난 정확도와 계산 효율성을 달성한다.

ABSTRACT

Decomposing complex time series into trend, seasonality, and remainder components is an important task to facilitate time series anomaly detection and forecasting. Although numerous methods have been proposed, there are still many time series characteristics exhibiting in real-world data which are not addressed properly, including 1) ability to handle seasonality fluctuation and shift, and abrupt change in trend and reminder; 2) robustness on data with anomalies; 3) applicability on time series with long seasonality period. In the paper, we propose a novel and generic time series decomposition algorithm to address these challenges. Specifically, we extract the trend component robustly by solving a regression problem using the least absolute deviations loss with sparse regularization. Based on the extracted trend, we apply the the non-local seasonal filtering to extract the seasonality component. This process is repeated until accurate decomposition is obtained. Experiments on different synthetic and real-world time series datasets demonstrate that our method outperforms existing solutions.

연구 동기 및 목표

• 장기 계절 주기, 계절성 이동, 추세 및 잔차의 급격한 변화를 다루는 데 있어 기존 시계열 분해 방법의 한계를 해결하기 위해.
• 특히 IoT 및 모니터링 응용 분야에서 실세계 시계열 데이터의 이상치에 대한 강건성을 향상시키기 위해.
• 고주파, 장기 주기 계절성 데이터(예: 1분 데이터의 T=1440)에서 정확성을 유지하면서도 확장성과 효율성을 확보한 분해 방법을 개발하기 위해.
• 복잡한 실세계 조건 하에서 의미 있는 성분(추세, 계절성, 잔차)을 분리함으로써 이상 탐지 및 예측에 정확한 분해를 가능하게 하기 위해.

제안 방법

• 추세 성분은 최소절대편차(LAD) 손실과 ℓ₁-노름 정규화를 사용한 회귀 문제를 통해 추출되어 강건성과 희박성을 보장한다.
• 계절성 성분은 비국소적 계절성 필터링을 통해 추정되며, 이는 시리즈 전반에서 유사한 역사적 패턴을 활용하여 융통성 있고 이동 가능한, 시간에 따라 변하는 계절 패턴을 포착한다.
• 알고리즘은 수렴할 때까지 추세 추정과 계절성 필터링을 번갈아가며 반복적으로 추세 및 계절성 성분을 정밀하게 조정한다.
• 이 방법은 ℓ₁ 정규화를 포함한 볼록 최적화 문제로 공식화되어 있어, 장기 시계열에서도 효율적이고 확장 가능한 계산이 가능하다.
• 이 방법은 덧셈 분해를 위해 설계되었으며, 곱셈 형태로도 적응 가능하다.
• 최적의 성능를 위해 교차 검증을 통해 이웃 창 크기(K, H) 및 정규화 계수(λ₁, λ₂)와 같은 하이퍼파rameter가 조정된다.

실험 결과

연구 질문

• RQ1 고노이즈가 있는 장기 시계열에서 계절성 이동과 변동을 견고하게 다룰 수 있는 분해 방법은 가능한가?
• RQ2 이상치 존재 조건에서도 추세 및 잔차 성분의 급격한 변화를 효과적으로 탐지하고 유지할 수 있는가?
• RQ3 매우 장기적인 계절 주기(예: T=1440)를 가진 시계열에 대해 성능 저하 없이 얼마나 잘 확장될 수 있는가?
• RQ4 실세계 및 합성 데이터셋에서 최신 기술인 STL, TBATS, STR와 비교해 제안된 방법의 정확도와 효율성은 어떠한가?

주요 결과

• 합성 데이터에서 RobustSTL는 평균 절대 오차(MAE) 0.0750을 기록하여 STL(0.1915), STR(0.3004), TBATS(0.2770)를 크게 앞서며 최저 성능 기록.
• 실세계 데이터셋 1(T=12)에서 RobustSTL는 추세 이동과 계절성 변화를 정확히 포착했으며, 표준 STL 및 STR는 이상치와 수준 이동으로 인해 왜곡되었다.
• 실세계 데이터셋 2(T=288)에서 RobustSTL는 부드럽고 적응 가능한 계절성을 성공적으로 추출했고, 스파이크 이상치를 잔차에 그대로 유지했다. 반면 TBATS 및 표준 STL는 이상치의 영향을 받았다.
• RobustSTL는 특히 장기 시계열에서 TBATS 및 STR보다 훨씬 빠른 계산 속도를 보였으며, 이는 효율적인 최적화 공식화 덕분이었다.
• 알고리즘은 분수계절성 및 이동 가능한 계절성을 효과적으로 처리했으며, 고정된 계절성 정렬이 필요 없이 변화하는 패턴에 적응했다.
• 합성 및 실세계 실험 모두에서 RobustSTL는 복잡한 실세계 시계열에 대해 기존 방법보다 강건성, 정확도, 확장성 측면에서 일관되게 뛰어난 성능을 보였다.