이산 웨이블릿 변환을 이용한 시계열 분류

국문 초록 (Abstract)

최근 각종 디지털 기기로부터 폭발적으로 생산되고 있는 시계열 자료에 대한 데이터마이닝 기법의 적용이 주요 관심사이다. 여기에는 시계열 자료에 대한 분류의 문제가 포함된다. 본 연구에서는 시계열 자료의 분류 문제에 이산 웨이블릿 변환을 이용하는 방법을 소개하고, 실제의 자료 분석에 적용한다. 이산 웨이블릿 변환은 시간의 정보를 담지 못하는 푸리에 분석의 발전된 형태로 시간 해상도와 주파수 해상도를 동시에 높일 수 있는 장점이 있어 비정상적 시계열 자료에 대한 분류 문제에 효과적이다. 분류 모형으로는 의사결정나무, 단순 베이즈, k-인접아웃, SVM, 랜덤 포레스트 방법이 사용되었으며, 성능 비교를 위해 정확도, 카파계수, F1-점수, ARI 등의 다양한 측도가 사용되었다. 염산의 농도를 측정한 시계열 자료에 적용한 결과, 이산 웨이블릿을 이용한 방법이 원시 시계열 자료에 직접 분류 모형을 적용한 결과나 고속 푸리에 변환 (또는 단시간 푸리에 변환)을 이용한 결과보다 성능이 우수함을 확인하였다. 이산 웨이블릿 변환의 적용과정에서 주요하게 취급되는 모 웨이블릿의 선택 문제도 함께 고려하였다.

다국어 초록 (Multilingual Abstract)

The application of data mining techniques to time-series data, which are being explosively produced from various digital devices, is a major concern. This includes the problem of classification for time series data. In this study, the method of using the discrete wavelet transform is introduced to the classification problem of time series data and applied to actual data analysis. Discrete wavelet transform is an advanced form of Fourier analysis that does not contain time information, and has the advantage of simultaneously increasing temporal resolution and frequency resolution, so it is effective in the classification problem of non-stationary time series data. Decision tree, naive Bayesian, k-NN, SVM, and random forest methods were used as classification models. And various measures, which include accuracy, kappa coefficient, F1-score, ARI, were used for performance comparison. As a result of applying these methods to time series data observing concentration of hydrochloric acid, it was confirmed that the method using discrete wavelets analysis performed better than the result of applying the classification model directly to the raw data or the result using the Fourier transform (or short time Fourier transform). The problem of selecting a mother wavelet, which is mainly handled in the process of applying the discrete wavelet transform, is also considered.

목차 (Table of Contents)

• 요약
• 1. 서론
• 2. 푸리에 분석과 웨이블릿 분석
• 3. 실제 자료 분석
• 4. 결론
• References
• Abstract

참고문헌 (Reference)

1 김인희, "전력 수요량에 대한 다변량 시계열 군집분석" 한국데이터정보과학회 32 (32): 569-584, 2021

2 이현욱, "시계열 자료의 단변량 웨이블릿 분석을 위한 모 웨이블릿의 선정" 한국수자원학회 52 (52): 575-587, 2019

3 방성완, "대용량 자료의 분류분석을 위한 분할정복 서포터 벡터 머신" 한국데이터정보과학회 32 (32): 463-473, 2021

4 Li, D., "Time series classification with discrete wavelet transformed data" 26 : 1361-1377, 2016

5 Elbir, A., "Short time Fourier transform based music genre classification" 2018

6 Na, J., "R data mining" Freeacademy 2017

7 Na, J., "R applied time series analysis" Freeacademy 2020

8 Murugappan, M., "Human emotion classification using wavelet transform and KNN" 1 : 148-153, 2011

9 Li, L., "Fast algorithms for time series mining" 2010

10 Gokgoz, E., "Comparison of decision tree algorithms for EMG signal classification using DWT" 18 : 138-144, 2015

11 Ubeyli, E. D., "Combined neural network model employing wavelet coefficients for EEG signals classification" 19 : 297-308, 2009

12 Polat, K., "Classification of epileptiform EEG using a hybrid system based on decision tree classifier and fast Fourier transform" 187 : 1017-1026, 2007

13 Mao, P. L., "A novel approach to the classification of the transient phenomena in power transformers using combined wavelet transform and neural network" 16 : 654-660, 2001

14 Das, D., "A comparison of Fourier transform and wavelet transform methods for detection and classification of faults on transmission lines" 2006

15 Wu, Y. L., "A comparison of DFT and DWT based similarity search in time-series databases" 488-495, 2000