GAF와 MTF를 이용한 시계열 데이터의 이미지 인코딩 군집분석

Abstract

시간의 흐름에 따라 기록되는 시계열 데이터는 금융, 생물학, 헬스케어 등 다양한 분야에서 활용되고 있다. 특히 시계열 데이터의 군집분석은 방대하고 복잡한 데이터셋에서 유사성을 띄는 시계열 그룹을 묶는 방식으로, 이상 탐지, 패턴 발견과 같은 방식으로 많이 활용되고 있다. 본 연구의 목적은 기존의 시계열 데이터 군집분석 방식과 GAF & MTF 수학적 알고리즘을 사용한 시계열 데이터의 이미지 인코딩 군집분석 방식의 성능을 비교하는 것이다. 시계열 데이터의 이미지 인코딩의 경우 Gramian Angular Field와 Markov Transition Field 두 가지 방법을 이용하여 진행하였다. 이후 표형식 시계열 데이터와 이미지 데이터 각각에 대해 계층적 군집분석, K 평균 군집분석, 미니배치 K 평균 군집분석, 유사도 전파 군집분석의 총 네 가지 군집분석 방법을 적용하여 시계열 데이터를 군집화 하였다. 사례분석에서는 캐글(Kaggle)에서 제공하는 전세계 45개 월마트 매장의 주간 판매 데이터를 이용하여 각 군집분석 방법론마다 이미지 인코딩 사용 유무에 따른 성능을 비교하였고 그 유효성을 확인하였다. 그 결과 기존 시계열 데이터를 이용했을 때에 비해 성능이 향상되었다.;Time series data recorded over time is used in various fields such as finance, biology, and healthcare. Cluster analysis of time series data is a method of grouping time series groups with similarities in vast and complex datasets. It is widely used in methods such as anomaly detection and pattern discovery. This study aims to compare the performance of the existing cluster analysis method for time series with the image encoding clustering method using the GAF and MTF mathematical algorithms. In the case of image encoding of time series data, two methods – Gramian Angular Field and Markov Transition Field – were used. Then, images were clustered with four methods: hierarchical cluster analysis, K means cluster analysis, mini-batch K means cluster analysis, and affinity propagation cluster analysis. In this paper, we compared the performance according to the use of image encoding for each cluster analysis methodology using weekly sales data from 45 Walmart stores worldwide provided by Kaggle and confirmed its validity. As a result, the clustering performance improved compared to the time series.