[논문]시공간 데이터를 위한 클러스터링 기법의 성능 비교

강주영; 이봉재; 송재주; 신진호; 용환승

시공간 데이터를 위한 클러스터링 기법의 성능 비교 원문보기

강주영 (한국전력 전력연구원) , 이봉재 (한국전력 전력연구원) , 송재주 (한국전력 전력연구원) , 신진호 (한국전력 전력연구원) , 용환승 (이화여자대학교)

최근 GPS시스템, 감시 시스템, 기상 관측 시스템과 같은 다양한 응용 시스템으로부터 수집된 시공간 속성을 가진 데이터를 분석하고자 하는 시공간 데이터 마이닝에 대한 관심이 더욱 높아지고 있다. 기존의 시공간 데이터 마이닝에 대한 연구는 문자.숫자 데이터를 기반의 마이닝 기법을 그대로 적용하고 있기 때문에 데이터의 시공간 속성을 충분히 고려한 분석으로는 한계가 많은 것이 사실이다. 본 논문에서는 패턴 인식과 클러스터링 능력이 뛰어나다고 알려진 SOM을 기반으로 시공간 클러스터링 모듈을 개발하고, 개발된 모듈의 성능과 클러스터링 정확성에 대하여 K-means, 응집 계층 알고리즘(Average Linkage, Ward)과 비교함으로써 시공간 데이터 마이닝을 위한 각 알고리즘들의 성능을 분석하였다 또한 입력 데이터의 특성과 클러스터링 결과를 더욱 정확하게 나타내어 가시적인 분석을 도울 수 있도록 시공간 데이터 클러스터링을 위한 가시화 모듈을 개발하였다.

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

문제 정의

본 논문에서는 SOM을 기반으로 시공간 클러스터링 시스템을 구현하고 이의 성능을 분석하였다. 다음 [그림 1〕은 본 논문에서 제안하는 시스템의 전체적인 구성도이다.
본 논문에서는 시공간 데이터의 특성과 클러스터링 결과를 더욱 쉽고 정확하게 나타내기 위하여 가시화 모듈을 구현하였다. 구현된 가시화 모듈의 특성은 다믐과 같다.

제안 방법

데이터 二I兽간의 속도 속성에만 차이를 준 데이터 세트들 중 속도 차이가 0.6cm/s와 0.3cm/s인 두 가지 경우에 대해 클러스터링 결과를 가시화 시켜 보았다. 그림 4어서 볼 수 있듯이 이동 그耳체그룹의 속도 차이가 적어질수록 구현된 SOM 모宣의 클러스터링 정확도가 다른 알고리즘듫에 비해 우수함을 알 수 있다.
본 논문에서는 SOM 기반 시공간 데이터 마이닝 시스템을 구현하고 그 섬능을 K-means, Average Linkage, Wa「d의 세 가지 알고리즘들과 비교 평가하였다. 균질도, 분리도, 반면영상너비와 같이 입력데이터의 시공간 속성을 고려하지 않는 외적기준에서는 K-means와 구현된 SOM 기반 모듈이 비슷한 성능을 보였으나, 실제로 가시화를 통해 데이터 속성에 따룐 클러스터링 정확도를 확인한 결과 구현된 모듈이 우수한 성능을 나타냄을 알 수 있었다.
본 논문에서는 구현된 SOM 기반 클러스터링 알고리즘의 성늠을 K-means, 응집 계층 알고리즘 방법인 Average 니nkage, Wa「d의 세가지 알고리즘들과 비교하였다. 구현된 SOM 이외의 알고리즘의 경우 S-PLUS 봉계 패키지에서 제공하는 모듈을 이용하였다.
본 논문에서는 선햄 연구에서 가장 일반적으로 사용되어 온 SOM을 기반으로 시공간 클러스터링 모듈을 개발하고, 구현된 모듈의 클러스터링 성늠올 K-menas, Average 니nkage, Ward 의 세 가지 클러스터링 알고리즘들과 균질도, 분리도, 반면 영상 결과를 비교 분석 한다.

대상 데이터

각각의 실험 데이터는 입력 데이터의 방향, 속도, 그리고 방향, 속도의 복합 속성에 대해 알고리즘의 성능을 평가할 수 있도록 생성하였다, 첫 번째 그룹은 방향 속성에만 차이를 준 D1 〜 D& 두 번째 그룹으로 속도에만 차이를 준 데이터세트 D7 ~ D16, 마지막오로 임의의 복합 시공간 속성을 지닌 이동객체 그룹인 D17의 세 가지 종류 데이터를 생성하였다. 각 데이터 세트는 2개의(D17의 경우 4개) 이동 객체 그룹들로 이루어져 있으며, 각 그룹 당 객체 수는 50개로 설정하였다 성능 평갸에 사용된 테스트 데이터 세트의 특징을 정리하면 다음과 같다.
본 논문에서는 시공간 데이터에 필수적인 복잡한 사전 처리의 부담을 덜고 입력 데이터의 시공간 속성을 평가 목적에 맞게 적절히 설정하기 위하며, 실제 응용 시스템 데이터가 아닌 GSTD (Generate Spaio-Tempo「계 Data) 시공간 데이터 생성기를 이용하였다. GSTD 는 캐나다의 Alberta 대학에서 개발한 시공간 데이터베이스너비, 정확도의 네 가지 항목을 기준으로 비교한다.
시스템은 크게 데이터 생성기, 데이터베이스, 전처리 모듈, SOM 기반 클러스터링 모듈, 가시화 모듈로 구성되어 있다.

이론/모형

5) Gaussian 함수를 사용하여 승자노드와 이웃한 출력 노드들의 가중치를 갱신한다.

성능/효과

비교 평가하였다. 균질도, 분리도, 반면영상너비와 같이 입력데이터의 시공간 속성을 고려하지 않는 외적기준에서는 K-means와 구현된 SOM 기반 모듈이 비슷한 성능을 보였으나, 실제로 가시화를 통해 데이터 속성에 따룐 클러스터링 정확도를 확인한 결과 구현된 모듈이 우수한 성능을 나타냄을 알 수 있었다. 이러한 결과를 기반으로 더욱 다양한 마이닝 알고리즘의 비교 연구나 시공간 속성에 따른 최적 알고리즘의 선택 기준을 제안하기 위한 지속적인 연구가 필요하다고 보여진다.

후속연구

균질도, 분리도, 반면영상너비와 같이 입력데이터의 시공간 속성을 고려하지 않는 외적기준에서는 K-means와 구현된 SOM 기반 모듈이 비슷한 성능을 보였으나, 실제로 가시화를 통해 데이터 속성에 따룐 클러스터링 정확도를 확인한 결과 구현된 모듈이 우수한 성능을 나타냄을 알 수 있었다. 이러한 결과를 기반으로 더욱 다양한 마이닝 알고리즘의 비교 연구나 시공간 속성에 따른 최적 알고리즘의 선택 기준을 제안하기 위한 지속적인 연구가 필요하다고 보여진다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

시공간 데이터를 위한 클러스터링 기법의 성능 비교 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

시공간 데이터를 위한 클러스터링 기법의 성능 비교 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

AI 본문요약
AI-Helper