[논문 리뷰] Visual Forecasting of Time Series with Image-to-Image Regression.

Naftali Cohen, Srijan Sood외 3명|arXiv (Cornell University)|2020. 11. 18.

Data Visualization and Analytics참고 문헌 24인용 수 4

한 줄 요약

이 논문은 수치 데이터를 시각적 표현으로 변환하고, 컨volutional autoencoder를 사용하여 시각적 예측을 생성함으로써 시계열에 대한 시각적 예측을 제안한다. 이 방법은 연속적인 회귀 문제를 이산적인 픽셀 공간 예측으로 변환함으로써 수치 기반 기준 모델을 능가하며, 주기적인 데이터에서는 뛰어난 성능을 보이지만 주식 가격과 같은 비정규적인 데이터에서는 성능이 저하된다.

ABSTRACT

Time series forecasting is essential for agents to make decisions in many domains. Existing models rely on classical statistical methods to predict future values based on previously observed numerical information. Yet, practitioners often rely on visualizations such as charts and plots to reason about their predictions. Inspired by the end-users, we re-imagine the topic by creating a framework to produce visual forecasts, similar to the way humans intuitively do. In this work, we take a novel approach by leveraging advances in deep learning to extend the field of time series forecasting to a visual setting. We do this by transforming the numerical analysis problem into the computer vision domain. Using visualizations of time series data as input, we train a convolutional autoencoder to produce corresponding visual forecasts. We examine various synthetic and real datasets with diverse degrees of complexity. Our experiments show that visual forecasting is effective for cyclic data but somewhat less for irregular data such as stock price. Importantly, we find the proposed visual forecasting method to outperform numerical baselines. We attribute the success of the visual forecasting approach to the fact that we convert the continuous numerical regression problem into a discrete domain with quantization of the continuous target signal into pixel space.

연구 동기 및 목표

• 시각적 추론에서 인간의 직관과 기존의 수치적 예측 간 격차를 해소하기 위해.
• 딥 러닝을 통해 시계열의 시각적 표현이 예측 성능을 향상시킬 수 있는지 탐색하기 위해.
• 연속적인 수치적 회귀 문제를 이산적인 픽셀 공간 예측으로 변환함으로써 모델의 일반화 능력과 정확도가 향상되는지 조사하기 위해.
• 다양한 유형의 데이터, 즉 합성 및 실세계 시계열을 포함하여 시각적 예측의 효과성을 평가하기 위해.

제안 방법

• 입력을 이미지로 표현하기 위해 시계열 데이터를 시각화(예: 선도)로 변환한다.
• 입력 시각화의 잠재 표현을 학습하고 예측된 시각적 출력을 재구성하기 위해 컨volutional autoencoder를 사용한다.
• 연속적인 타겟 신호를 이산적인 픽셀 값으로 양자화하여 회귀 문제를 픽셀 공간에서의 분류 유사 작업으로 변환한다.
• 예측된 결과와 진짜 결과 간 재구성 오차를 최소화함으로써 이미지 간 회귀를 사용해 모델을 종합적으로 훈련한다.
• 다양한 복잡도와 시간 패턴을 가진 합성 및 실세계 데이터셋에 모델을 적용한다.

실험 결과

연구 질문

• RQ1 이미지 간 회귀를 통한 시각적 예측이 기존의 수치적 예측 모델을 능가할 수 있는가?
• RQ2 시각적 예측의 성능은 주기적 패턴 대비 비정규적인 추세와 같은 다양한 시계열 패턴에서 어떻게 달라지는가?
• RQ3 타겟 신호를 픽셀 공간으로 양자화함으로써 예측 정확도가 어느 정도 향상되는가?
• RQ4 예측에서 인간과 유사한 시각적 추론 과정이 기계 학습 모델에서 측정 가능한 성능 향상으로 이어지는가?

주요 결과

• 시각적 예측 방법은 다양한 데이터셋에서 수치 기반 기준 모델을 능가하며, 제안된 방법의 효과성을 입증한다.
• 모델은 시각적 패턴이 더 예측 가능하고 일관성이 있는 주기적 시계열 데이터에서 뛰어난 성능을 기록한다.
• 주식 가격 시리즈와 같은 비정규적인 데이터에서는 성능이 저하되며, 이는 고노이즈 또는 비주기적 패턴을 다루는 데에 한계가 있음을 시사한다.
• 연속적인 타겟 신호를 픽셀 공간으로 양자화하는 것이 이 방법의 성공 요인으로 작용하며, 이산적 표현을 통해 더 나은 일반화 능력을 확보한다.