[논문]지역 군집화를 위한 CNN-GRU 기반 다변량 시계열 데이터의 특성 추출

김진아; 이지훈; 최동욱; 문남미

지역 군집화를 위한 CNN-GRU 기반 다변량 시계열 데이터의 특성 추출
Feature Extraction of CNN-GRU based Multivariate Time Series Data for Regional Clustering 원문보기

김진아 (호서대학교 컴퓨터공학과) , 이지훈 (호서대학교 컴퓨터정보공학부) , 최동욱 (호서대학교 컴퓨터정보공학부) , 문남미 (호서대학교 컴퓨터정보공학부)

시계열 데이터에 대한 군집화 관련 연구는 주로 통계 분석을 통해 이뤄지기 때문에 데이터가 갖는 특성을 완전히 반영하는 데 한계를 갖는다. 본 논문에서는 다변량 데이터에서의 군집화를 위하여 변수별로 시간에 따른 변화와 특징을 추출하기 위한 CNN-GRU(Convolutional Neural Network - Gated Recurrent Unit) 기반의 신경망 모델을 제안한다. CNN을 활용하여 변수별로 갖는 특성을 파악하고자 하였으며, GRU을 통해 전체 시간에 따른 소비 추세를 도출하고자 하였다. 지역별로 업종에 따라 사용된 2년 치의 실제 카드 데이터를 활용하였으며, 유사한 소비 추세를 보이는 지역을 군집화하는데 이를 적용하였다. 결과적으로, 다변량 시계열 데이터를 통해 전체적인 흐름을 반영하여 패턴화했다는 점에서 의의를 갖는다.

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

문제 정의

본 논문에서는 다변량 시계열 데이터를 갖는 관측지들에 대하여 군집화를 위해 CNN-GRU 기반의 소비 추세특징을 추출하는 방법을 제시하였다. 이때, 지역별로 업종별 사용된 실 카드 데이터를 활용하여 유사한 소비 추세를 보이는 지역을 군집화하는데 적용하였다.
본 연구에서는 다변량 시계열 데이터 기반의 군집화에 대하여 다루며, 소비 데이터를 기반으로 지역 군집화에 적용하고자 한다. 이를 위해 실제 2년 치의 카드 데이터를 활용하며, 변수별 시계열 특징을 CNN-GRU 신경망을 통하여 추출하는 방법을 제안한다.
제안하는 다변량 시계열 데이터로부터의 특징 추출을 통한 군집화 방법의 과정은 (그림 1)과 같다. 이를 소비분야에 적용하여 지역별 소비 업종에 따른 추세에 대해 특징을 추출함으로써 소비 금액과 추세가 유사한 지역들을 군집화하는 것이 목적이다. 업종별 소비 금액 뿐만 아니라 시간에 따른 추세를 시퀀스화하기 때문에 기존의 군집화 방법과 차이를 갖는다.

제안 방법

다변량 시계열 데이터 군집화를 위한 특징 추출은 CNN을 먼저 진행하여 서브 시퀀스의 특성을 업종별로 추출한다. 이때, 입력 데이터는 (그림 2)와 같이 D X R X F 3차원 형태의 뉴런으로 구성된다.
다음으로, 각 서브 시퀀스에 대하여 CNN과 GRU을 결합해 지역별 소비 추세에 대해 특징을 추출한다. CNN은 자동으로 특징을 추출하는데 있어 좋은 성능을 보여 이미지 처리에 많이 사용된다.
마지막으로, 파악된 소비 추세를 갖고 업종별로 유사도를 계산하며, 유사한 지역끼리 퍼지 기반의 군집화를 진행한다. 이 때, 지역별로 소비 추세가 여러 군집의 성향을 가질 가능성이 있기 때문에 중첩된 군집 결과를 얻는다.
이때, 지역별로 업종별 사용된 실 카드 데이터를 활용하여 유사한 소비 추세를 보이는 지역을 군집화하는데 적용하였다. 본 연구는 다변량 시계열의 전체적인 흐름을 반영하여 패턴화했다는 점에서 기존 연구와 차별성을 갖는다. 그러나 소비 데이터의 특성상 사회적인 영향에 따라 변화가 심한 특징을 갖는데, 시간에 따라 소비 트렌드를 고려할만한 변수를 추가하지 않았다는 점에서 한계점이 있다.
지역 군집화를 위해 먼저, 전처리를 통해 데이터의 노이즈를 제거한다. 본 연구에서 활용하는 데이터는 일별 데이터이기 때문에 일주일 7일을 주기로 설정하여 MA(Moving Average)를 통해 노이즈를 제거하였다. 또한, 업종별 소비 금액이 차이가 심하므로 0 에서 1 사이의 값으로 값을 조정한 다음, 특징 추출을 위하여 일정 시간간격마다 데이터 포인트를 설정하여 전체 시계열 데이터로부터 서브 시퀀스를 생성한다.
특히, 데이터의 변형에도 강하기 때문에 비선형적인 특성을 갖는 시계열 데이터의 특징을 추출하는데 이용한다[5]. 시계열에 따른 특징 추출데이터를 GRU를 통해 소비 추세를 파악한다.
이 결과를 다시 종합하여 GRU를 통해 추세 패턴을 분류함으로써 각 서브 시퀀스마다 추세 흐름을 파악한다. GRU 모델의 구조는 Many to one 형태로, 최종적으로 출력계층에서 두 개의 은닉계층으로부터 값을 받아 해당 업종의 추세 흐름을 분류한다.
본 논문에서는 다변량 시계열 데이터를 갖는 관측지들에 대하여 군집화를 위해 CNN-GRU 기반의 소비 추세특징을 추출하는 방법을 제시하였다. 이때, 지역별로 업종별 사용된 실 카드 데이터를 활용하여 유사한 소비 추세를 보이는 지역을 군집화하는데 적용하였다. 본 연구는 다변량 시계열의 전체적인 흐름을 반영하여 패턴화했다는 점에서 기존 연구와 차별성을 갖는다.
본 연구에서는 다변량 시계열 데이터 기반의 군집화에 대하여 다루며, 소비 데이터를 기반으로 지역 군집화에 적용하고자 한다. 이를 위해 실제 2년 치의 카드 데이터를 활용하며, 변수별 시계열 특징을 CNN-GRU 신경망을 통하여 추출하는 방법을 제안한다. 최종적으로, 추출된 특징을 통해 다변량 시계열 데이터의 추세 경향을 파악할 수 있다.

후속연구

그러나 소비 데이터의 특성상 사회적인 영향에 따라 변화가 심한 특징을 갖는데, 시간에 따라 소비 트렌드를 고려할만한 변수를 추가하지 않았다는 점에서 한계점이 있다. 향후 연구에서는 SNS나 뉴스 등의 데이터를 활용해 사회적인 영향을 고려하고 이에 따라 지역마다 미치는 영향 정도를 반영하고자한다.

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

지역 군집화를 위한 CNN-GRU 기반 다변량 시계열 데이터의 특성 추출
Feature Extraction of CNN-GRU based Multivariate Time Series Data for Regional Clustering 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

지역 군집화를 위한 CNN-GRU 기반 다변량 시계열 데이터의 특성 추출 Feature Extraction of CNN-GRU based Multivariate Time Series Data for Regional Clustering 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

지역 군집화를 위한 CNN-GRU 기반 다변량 시계열 데이터의 특성 추출
Feature Extraction of CNN-GRU based Multivariate Time Series Data for Regional Clustering 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper