Model-based Functional Clustering of Fine Particulate Matter Time Series Data

Abstract

A model-based approach allows clustering of infinite-dimensional functional data by performing dimensionality reduction of the functional curves and clustering process simultaneously. In this paper, we apply the model-based clustering method proposed by Bouveyron et al. (2015), which is based on a discriminative functional mixture model, to analyze real-world fine particulate matter (PM2.5) time series data. We identify several discrete patterns of daily PM2.5 concentration and illustrate the characteristics of each group.;모델 기반 함수형 데이터 분석 방법을 이용해 시계열 함수형 곡선의 차원축소와 군집화를 동시에 시행하여 무한 차원의 데이터를 분류할 수 있다. 본 연구에서는 Bouveyron (2015)이 제안한 분별적 함수형 혼합 모델에 기반한 FunFEM 군집화 방법을 이용해 실제 초미세먼지 시계열 데이터 분석을 적용해 본다. B-spline을 이용해 시계열 데이터를 함수형 데이터로 변환하고 군집화 과정에서 BIC를 이용해 최적의 여덟 개의 일별 초미세먼지 패턴 군집으로 분류한다. 각 그룹의 특징을 초미세먼지 농도 수치와 시간적 정보를 토대로 해석한다.