[논문 리뷰] Finding Motif Sets in Time Series

Anthony Bagnall, Jon Hills외 1명|arXiv (Cornell University)|2014. 07. 14.

Time Series Analysis and Forecasting참고 문헌 5인용 수 6

한 줄 요약

이 논문은 시간 시리즈, 특히 가정의 전기 사용 데이터에서 모티프 집합을 발견하기 위한 세 가지 알고리즘—Scan MK, Cluster MK, Set Finder—을 제안한다. 쌍별 매칭과 집합 품질 히ュ리스틱을 사용하여, Set Finder는 합성 데이터에서 Scan MK보다 높은 정확도를 보이며, 실제 전기 사용 프로파일에서도 높은 정밀도와 중간 수준의 민감도로 의미 있는 기기별 사용 패턴을 식별한다.

ABSTRACT

Time-series motifs are representative subsequences that occur frequently in a time series; a motif set is the set of subsequences deemed to be instances of a given motif. We focus on finding motif sets. Our motivation is to detect motif sets in household electricity-usage profiles, representing repeated patterns of household usage. We propose three algorithms for finding motif sets. Two are greedy algorithms based on pairwise comparison, and the third uses a heuristic measure of set quality to find the motif set directly. We compare these algorithms on simulated datasets and on electricity-usage data. We show that Scan MK, the simplest way of using the best-matching pair to find motif sets, is less accurate on our synthetic data than Set Finder and Cluster MK, although the latter is very sensitive to parameter settings. We qualitatively analyse the outputs for the electricity-usage data and demonstrate that both Scan MK and Set Finder can discover useful motif sets in such data.

연구 동기 및 목표

• 가정의 전기 사용 프로파일에 특히 적합한, 반복적으로 발생하는 비중첩 모티프 집합을 탐지하기 위한 강력한 알고리즘을 개발하는 것.
• 기존의 모티프 탐지 방법이 최적의 쌍 매칭에만 집중하는 데 반해, 고카디널리티 모티프 집합을 고려하지 못하는 한계를 해결하는 것.
• 합성 데이터와 실제 전기 소비 시간 시리즈 양측에서 알고리즘 성능을 평가하는 것.
• 집계된 가정 내 데이터에서 기기 사용 패턴(예: 세탁기, 싱크대 세척기 등)을 식별하는 데 모티프 집합의 실용적 유용성을 입증하는 것.
• 매개변수 설정(특히 r)에 대한 알고리즘의 민감도와 창문 크기(n)가 모티프 탐지 정확도에 미치는 영향을 탐색하는 것.

제안 방법

• Scan MK는 Mueen-Keogh(MK) 알고리즘을 사용해 최적의 쌍 매칭을 반복적으로 식별하고, 이를 모티프 집합에 추가한 후, 비의미적 매칭을 제거한 후, 핵심 쌍으로부터 거리 2r 이내의 모든 부분 시퀀스를 포함하도록 집합을 확장한다.
• Cluster MK는 MK를 사용해 최적의 쌍 매칭을 찾은 후, 그 쌍으로부터 거리 2r 이내의 모든 부분 시퀀스를 군집화 히ュ리스틱을 적용하여 모티프 집합을 형성한다.
• Set Finder는 쌍별 매칭을 서브루틴으로 사용하지 않고, 거리 r 이내에서 비중첩되고 유사도가 높은 부분 시퀀스의 수를 최대화하는 히ュ리스틱을 직접 적용하여 모티프 집합의 품질을 평가한다.
• 모든 알고리즘은 기본 유사도 측정으로 유클리드 거리를 사용하며, 겹치는 부분 시퀀스를 허용하지 않음으로써 비의미적 매칭을 방지한다.
• 알고리즘은 다양한 r 값 범위에서 평가되며, 창문 크기 n=4(15분 간격으로 집계된 1시간 데이터를 나타냄)를 고정하고, 결과는 기기별 사용 패턴 식별을 위해 후처리된다.
• 성능 평가는 합성 데이터(알려진 모티프 형태가 있는 경우)와 실제 전기 사용 프로파일 양측에서 정밀도와 민감도 지표를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 일부 또는 두 개의 명확한 형태를 가진 합성 시간 시리즈에서 알려진 모티프 집합을 탐지할 때, 다양한 모티프 집합 탐지 알고리즘이 정확도 측면에서 어떻게 비교되는가?
• RQ2 모티프 집합 탐지 알고리즘의 거리 임계치 r 선택에 대한 민감도는 어떻게 되며, 이는 실제 전기 사용 데이터에서의 성능에 어떤 영향을 미치는가?
• RQ3 모티프 집합은 15분 간격으로 집계된 전기 사용 데이터에서 개별 가정용 기기(예: 세탁기, 싱크대 세척기, 오븐 등)를 효과적으로 식별하고 프로파일링하는 데 사용될 수 있는가?
• RQ4 쌍 기반 알고리즘(Scan MK, Cluster MK)과 직접적인 집합 품질 기반 접근법(Set Finder) 간의 정밀도와 재현율 측면에서의 성능 비교는 어떻게 되는가?
• RQ5 다중 모티프 집합의 후처리가 실제 전기 데이터에서 기기별 사용 패턴 식별에 얼마나 기여하는가?

주요 결과

• Set Finder는 합성 데이터에서 하나 또는 두 개의 명확한 모티프 형태를 가진 경우, 특히 r를 최적 값으로 설정했을 때 Scan MK보다 유의미하게 높은 정확도를 달성했다.
• r가 잘 튜닝된 경우 Cluster MK는 Set Finder와 경쟁적으로 성능을 보였지만, r 값에 작은 변화가 있을 경우 성능이 급격히 악화되어 매개변수 선택에 매우 민감한 것으로 나타났다.
• n=4 및 r=0.5 조건에서 실제 전기 사용 데이터에서 Set Finder는 세탁기의 모든 인스턴스를 정확히 식별했으며, 정밀도=1.0, 민감도=1.0을 기록하여 이 기기의 특이성과 재현율이 매우 높았다.
• Scan MK는 4-모티프 및 5-모티프 집합을 조합하여 싱크대 세척기를 식별했으며(정밀도=1.0, 민감도=0.56), 오븐 두 대를 6-모티프 집합으로 탐지했지만, 전체적으로 Set Finder보다 민감도가 낮았다.
• 모든 기기에서 Set Finder의 전체 민감도는 0.21이었고, Scan MK는 0.24였으며, 이는 상대적으로 낮지만 일부 합성 데이터 결과보다는 우수한 성능이었다. 이는 기기별 모티프 집합 탐지에 최적의 검출을 위해 다양한 n 및 r 값이 필요함을 시사한다.
• 본 연구는 모티프 집합 탐지가 전기 데이터에서 기기 프로파일링에 유망하다고 결론 내리며, 특히 다양한 스케일 분석(다양한 n 및 r 값 조합)과 관련된 모티프 집합을 통합하는 후처리를 병행할 경우 더욱 효과적임을 시사한다.