[論文レビュー] Hidden Markov model segmentation of hydrological and enviromental time series

Athanasios Kehagias|arXiv (Cornell University)|Jun 25, 2002

Hydrology and Watershed Management Studies参考文献 29被引用数 4

ひとこと要約

本稿では、期待値最大化（EM）フレームワークを用いて段階境界とモデルパラメータを反復的に最適化することで、計算的に効率的な隠れマルコフモデル（HMM）に基づく水文的・環境的時系列のセグメンテーション手法を提案する。この手法はグローバル収束を達成し、数百点程度の時系列を数秒でセグメンテーションする。Hubertの組み合わせ的アプローチに比べ、スケーラビリティと速度に優れながらも高い正確性を維持する。

ABSTRACT

Motivated by Hubert's segmentation procedure we discuss the application of hidden Markov models (HMM) to the segmentation of hydrological and enviromental time series. We use a HMM algorithm which segments time series of several hundred terms in a few seconds and is computationally feasible for even longer time series. The segmentation algorithm computes the Maximum Likelihood segmentation by use of an expectation / maximization iteration. We rigorously prove algorithm convergence and use numerical experiments, involving temperature and river discharge time series, to show that the algorithm usually converges to the globally optimal segmentation. The relation of the proposed algorithm to Hubert's segmentation procedure is also discussed.

研究の動機と目的

• 長期間の時系列（100点以上）に対してHubertのセグメンテーション手順が計算的に非現実的である問題に対処し、スケーラブルな代替手法を開発すること。
• 水文的・環境的時系列のセグメンテーションに隠れマルコフモデル（HMM）を適用し、複数の変化点を検出すること。
• 最大尤度セグメンテーションをEM反復によって計算するアルゴリズムを設計し、収束性を明示的に保証すること。
• 長期間の時系列（数百～数万点）を実用的な時間枠内でインタラクティブかつリアルタイムにセグメンテーション可能にする。
• HMMアプローチとHubertの手続きとの間で、計算効率性とセグメンテーションの正確性の観点から比較すること。

提案手法

• 各セグメントがガウス分布の出力を持つ隠れ状態に対応する隠れマルコフモデル（HMM）問題として時系列セグメンテーションを定式化する。
• 期待値最大化（EM）アルゴリズムを用いて、セグメント境界とモデルパラメータ（各セグメントごとの平均と分散）を反復的に推定する。
• K個のセグメントとT個の時系列ポイントに対して最適なセグメンテーションを計算するため、O(K·T²)の時間計算量を持つ動的計画法を採用する。
• セグメントの二乗偏差の和（d_{s,t}）を再帰的に計算することで、EMプロセスの高速化を図り、時間計算量を削減する。
• 自己回帰モデルの高速再帰的最小二乗法アルゴリズムを応用し、セグメントコストの計算をさらに高速化する。
• セグメンテーションコストとパラメータ推定値の変化に基づく収束基準を実装し、安定した最適化を保証する。

実験結果

リサーチクエスチョン

• RQ1 HMMベースのEMアルゴリズムは、長期間の時系列に対しても計算的に現実的でありながら、グローバル最適なセグメンテーションに収束するのか？
• RQ2 HMMセグメンテーションアルゴリズムは、Hubertの組み合わせ的分枝限定法と比較して、速度と正確性の面で優れているのか？
• RQ3 提案されたアルゴリズムは、数百点以上ある水文的・環境的時系列において、複数の変化点を効率的に検出できるのか？
• RQ4 HMMベースのセグメンテーションアルゴリズムの時間計算量は何か？また、長期間の時系列に対して数秒で実行可能に最適化できるのか？
• RQ5 このアルゴリズムは、実際の気温データや河川流出量データに適用されても、高いセグメンテーション正確性を維持するのか？

主な発見

• 温度データおよび河川流出データに対する数値実験において、HMMベースのEMアルゴリズムはグローバル最適なセグメンテーションに収束することが確認された。
• 数百点程度の時系列のセグメンテーションは数秒で完了し、探索的ツールとしてのインタラクティブ利用が可能になった。
• このアルゴリズムは、数千点規模の時系列に対しても効率的にスケーリングされ、計算時間は数秒のオーダーを維持する。
• セグメントコストの再帰的計算により、全体の時間計算量がO(K·T²)にまで低減され、長期間の時系列に対しても現実的な計算量となった。
• この手法は、大規模なTに対してO(2^T)の組み合わせ的障壁を克服し、Hubertの手続きに比べて計算スケーラビリティに優れている。
• 実際の水文的・環境的データにおいて、意味のある変化点を的確に同定でき、強靭性と実用的価値を示した。