[논문 리뷰] sktime: A Unified Interface for Machine Learning with Time Series

Markus Löning, Anthony Bagnall외 4명|arXiv (Cornell University)|2019. 09. 17.

Time Series Analysis and Forecasting참고 문헌 49인용 수 176

한 줄 요약

sktime은 단일 API 아래에서 시계열 작업을 통합하는 scikit-learn 호환 Python 라이브러리를 도입하여 메타-추정기와 시계열 변환을 통해 예측, 분류 및 기타 작업 간의 감소를 가능하게 한다.

ABSTRACT

We present sktime -- a new scikit-learn compatible Python library with a unified interface for machine learning with time series. Time series data gives rise to various distinct but closely related learning tasks, such as forecasting and time series classification, many of which can be solved by reducing them to related simpler tasks. We discuss the main rationale for creating a unified interface, including reduction, as well as the design of sktime's core API, supported by a clear overview of common time series tasks and reduction approaches.

연구 동기 및 목표

• 다양한 시계열 학습 작업을 처리하기 위한 통합 API의 생성을 촉구한다.
• 시계열에 대한 감소, 구성 및 모듈식 변환을 지원하는 scikit-learn 호환 핵심 API를 제공한다.
• 단일 프레임워크 내에서 최첨단 시계열 분류, 예측 및 벤치마킹 도구를 선보인다.

제안 방법

• 시계열 작업과 그것들의 관계를 더 간단한 작업으로의 감소(reductions)로 설명한다.
• 다변량, 패널 및 시계열 이질적 데이터를 다루기 위한 데이터 모델과 중첩되고 pandas 호환 가능한 데이터 컨테이너를 제시한다.
• 시계열 사용 사례를 위한 scikit-learn 인터페이스를 확장하는 태스크별 추정기와 변환기를 정의한다.
• 감축(reductions) 및 다변량 앙상블링을 위한 메타-추정기를 도입하여 유연한 모델 구성을 가능하게 한다.
• 분류, 예측, 변환기, 구성 및 벤치마킹 도구를 포함한 API 개요를 제공한다.

실험 결과

연구 질문

• RQ1 시계열 작업을 scikit-learn과의 호환성을 유지하는 하나의 API로 어떻게 통합할 수 있는가?
• RQ2 감축과 메타-추정기가 더 간단한 구성 요소를 결합하여 복잡한 시계열 작업을 유연하게 해결할 수 있는가?
• RQ3 다변량, 패널, 시계열 이질적 데이터 등 다양한 시계열 데이터를 가장 잘 지원하는 데이터 표현 및 변환 프레임워크는 무엇인가?

주요 결과

• sktime은 시계열 작업을 위해 scikit-learn을 확장하는 통합 API를 제공하여 복잡한 작업을 더 간단한 작업으로의 감소(reductions)를 가능하게 한다.
• 다변량, 패널 및 시계열 이질적 데이터를 지원하기 위해 중첩된/pandas 기반 데이터 컨테이너를 도입하고 scikit-learn 기능의 재사용을 가능하게 한다.
• 이 라이브러리는 최첨단 시계열 분류 방법, 고전적 예측 인터페이스, 변환기 및 벤치마킹 도구를 포함한다.
• 파이프라인, 앙상블, 새롭고 구성 가능한 모델링 선택을 위한 감소 메타-추정기 등 구성 기능을 갖춘다.
• sktime은 시계열 데이터에 대한 다변량 열별 앙상블링 및 열 연결을 지원하여 유연한 모델 구성을 가능하게 한다.