$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

시계열 데이터 마이닝
Time Series Data Mining 원문보기

전산 구조 공학 = Journal of the Computational Structural Engineering Institute of Korea, v.31 no.4, 2018년, pp.12 - 16  

구본용 (군산대학교 기계융합시스템공학부)

초록이 없습니다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 또한 시계열 하위 조각들에 대한 상호 유사도를 검토, 분석하는 것이 데이터 분석의 중요한 업무가 된다. 데이터마이닝, 분석과 관련한 기존의 연구 결과들을 정리하면 데이터의 1) 표현(Representation), 2) 인덱싱(Indexing), 3) 유사도 평가 도구(Similarity measure),4) 세분화(Segmentation), 5) 시각화(Visualization) 및 6) 시계열 마이닝(Mining in time series)로 분류할 수 있는데, 본 기사에서 이러한 연구 내용을 소개함으로서 시계열 분석과 데이터 마이닝에 대한 전반적인 이해를 높이고, 전산역학 분야의 응용에 대해 고찰하고자 한다.
  • 본 기사에서는 특히 컴퓨터 공학, 데이터 마이닝 분야에서 수행된 시계열분석 연구에 대해 참고문헌(Fu, 2012)의 내용을 기반으로 정리하고자 한다. 시계열 데이터 마이닝과 분석에서 중요한 요소는 시계열 데이터를 어떻게 표현하는가 하는 것으로, 주로 사용되는 방법은 시계열을 인덱싱을 통해 차원을 감소시켜 다른 영역에서 표현하는 것이다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
시계열이란 무엇인가? 시간영역의 측정 데이터 즉 시계열(time series data)은 현상의 분석, 경향 변화, 건전성 검토 등에 사용될 수 있는 중요한 데이터의 형태로서 다양한 분야의 과학, 공학, 경제 응용 분야에서 어렵지 않게 취득 가능하다. 이러한 시계열은 데이터의 크기, 고차원, 연속적 업데이트의 필요라는 특성으로 기술될 수 있으며 개별 값 보다는 전체적인 경향성을 분석하는 것이 필요하다.
시계열 표현의 주목적은? 시계열 표현의 주요한 목적은 차원 즉 표현된 데이터의 수를 감소시키는 것이다. 가장 단순한 방법은 일정한 주파수와 시간 길이를 정한 다음 데이터에서 일정 간격의 데이터를 취득하는 샘플링(Sampling)이다.
Perceptually important points(PIP) 방법의 과정은? 또한 변화가 발생하는 점을 연결하는 형태로 시계열의 차원을 감소시킬 수도 있는데 Perceptually important points(PIP) 방법이라고 불린다. 패턴 매칭 및 시계열과의 최대 거리 탐색과 같은 방법을 사용하여 변화가 발생하는 변곡점을 탐지하고 이 점들을 연결하는 형태로 데이터의 차원을 줄이게 된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (3)

  1. Fu. T.-C. (2011) A review on time series data mining, Eng. Appl. Appl. Artif. Intell. 24, pp. 164-181. 

    상세보기 crossref

  2. Lin. J., Keogh, E. Lonardi, S., Chiu, B. (2003) A Symbolic representation of time series, with implications for streaming algorithms. In: Proceedings of the Eighth ACM SIGMOD International Conference on Management of Data Workshop on Research Issues in Data Mining and Knowledge Discovery, pp. 2-11. 

  3. Keogh, E. (2002) Exact indexing of dynamic time warping. In: Proceedings of the 28th International Conference on Very Large Databases, pp. 406-417. 

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로