2차원 시계열을 위한 평면 가시성 그래프 네트워크 알고리즘

초록

본 논문은 기존 1차원 가시성 그래프(VG) 개념을 확장하여 2차원 시계열 데이터를 평면 그래프로 변환하는 새로운 알고리즘을 제안한다. 각 데이터 포인트를 평면상의 정점으로 두고, 두 점 사이에 직선이 다른 모든 점을 가리지 않을 경우에만 엣지를 연결한다. 이렇게 구축된 평면 가시성 그래프는 원본 시계열의 주기성, 무작위성, 혼돈성 등을 평균 차수, 평균 최단 경로 길이, 지름, 클러스터링 계수, 차수 분포, 모듈러리티 등 네트워크 지표에 반영한다. 실험 결과, 세 종류의 합성 시계열(주기, 랜덤, 혼돈)에서 생성된 그래프가 서로 구별되는 특성을 보이며, 제안 방법이 2차원 시계열을 복합 네트워크 관점에서 효과적으로 분석할 수 있음을 확인한다.

상세 분석

본 연구는 가시성 그래프(Visibility Graph, VG)라는 기존 1차원 시계열‑네트워크 변환 기법을 2차원 시계열에 적용하기 위해 ‘평면 가시성 그래프 네트워크(Planar Visibility Graph Network, PVGN)’ 알고리즘을 설계하였다. 핵심 아이디어는 시계열의 각 샘플을 2차원 좌표 (t, x(t)) 로 매핑하고, 두 점 i와 j 사이에 직선 구간이 다른 모든 점 k (i<k<j) 를 ‘가린다’면 연결을 차단한다는 가시성 규칙을 그대로 유지하되, 평면 상에서의 교차 여부를 추가 고려한다는 점이다. 구체적인 절차는 다음과 같다.

1. 입력 시계열 S = {(t_i, x_i)}_{i=1}^N 을 2차원 좌표 집합으로 변환한다.
2. 모든 정점 쌍 (i, j) (i<j)에 대해 기울기 m_{ij} = (x_j - x_i)/(t_j - t_i) 를 계산하고, 중간 정점 k (i<k<j) 가 (x_k - x_i) > m_{ij}(t_k - t_i) 를 만족하면 가시성이 차단된다.
3. 차단되지 않은 경우에만 무향 엣지 (i, j) 를 추가한다.
4. 위 과정을 O(N^2) 시간 복잡도로 수행하되, 정렬된 시간축을 이용해 선형 스위핑 기법을 적용하면 평균 O(N log N) 수준으로 가시성 판단을 가속화할 수 있다.

알고리즘이 생성하는 그래프는 평면 그래프(Planar Graph) 특성을 갖는다. 즉, 엣지가 서로 교차하지 않으며, 이는 그래프 이론에서 차수 상한, 페이스 수, 오일러 공식 등 여러 구조적 제약을 의미한다. 이러한 제약은 시계열의 기하학적 패턴이 네트워크 토폴로지에 직접 투영되도록 만든다.

연구자는 세 가지 대표적인 시계열을 대상으로 실험을 수행하였다. (1) 주기적 사인파 시계열은 높은 평균 차수와 짧은 평균 최단 경로 길이, 작은 지름, 높은 클러스터링 계수를 보이며, 네트워크가 거의 완전 그래프에 가까운 구조를 형성한다. (2) 백색 잡음과 같은 무작위 시계열은 차수가 넓게 분포하고, 평균 차수가 낮으며, 경로 길이와 지름이 크게 증가한다. 이는 무작위성으로 인해 가시성 연결이 제한되는 현상을 반영한다. (3) 로렌즈 시스템에서 추출한 혼돈 시계열은 스케일프리와 유사한 차수 분포를 나타내면서도, 모듈러리티가 높은 커뮤니티 구조를 형성한다. 이는 혼돈 궤적이 복잡한 프랙탈 구조를 가지며, 지역적으로는 높은 가시성을 유지하지만 전역적으로는 제한된 연결성을 갖기 때문이다.

네트워크 지표들의 차이를 정량적으로 분석한 결과, 평균 차수(⟨k⟩), 평균 최단 경로 길이(L), 지름(D), 클러스터링 계수(C), 차수 분포 P(k), 모듈러리티 Q 등은 각각 시계열의 통계적·동역학적 특성을 구분하는 강력한 특징량으로 작동한다. 특히, 모듈러리티 Q는 혼돈 시계열에서 현저히 높게 나타나, 기존의 엔트로피 기반 방법보다 더 민감하게 복잡성을 포착한다는 점이 주목된다.

알고리즘의 장점은 구현이 간단하고, 2차원 시계열을 그대로 보존하면서도 복잡한 동역학 정보를 네트워크 형태로 추출한다는 점이다. 그러나 O(N^2) 의 시간 복잡도는 대규모 데이터(수십만 포인트)에서는 실용성이 떨어질 수 있다. 또한, 가시성 규칙이 직선 기반이므로 비선형 변환이나 잡음에 민감하게 반응할 가능성이 있다. 향후 연구에서는 다중 스케일 가시성, 가중 엣지 도입, 그리고 GPU 기반 병렬 구현을 통해 확장성을 높이는 방안을 제시한다.

전반적으로 PVGN은 2차원 시계열을 복합 네트워크 관점에서 분석할 수 있는 새로운 도구를 제공하며, 물리, 생물, 금융 등 다양한 분야에서 시계열 데이터의 구조적·동역학적 특성을 정량화하는 데 유용할 것으로 기대된다.