주파수 영역 비모수 EM 알고리즘을 이용한 시계열 분류

초록

이 논문은 각 시계열의 이산 푸리에 변환(DFT) 크기를 확률 밀도(또는 질량) 함수로 해석하고, 이를 기반으로 기대-최대화(EM) 알고리즘을 비모수적으로 적용한다. 파워 스펙트럼이 유사한 시계열은 동적 구조가 비슷하다고 판단해 같은 군집에 할당하고, 파라미터 모델에 의존하지 않으면서 비정상·정상 시계열 모두를 효과적으로 구분한다. 신경 스파이크 정렬과 거시경제 시계열 패턴 인식 사례를 통해 실용성을 입증한다.

상세 분석

본 연구는 시계열 데이터를 주파수 영역으로 변환한 뒤, 그 스펙트럼을 확률 분포로 간주하는 독창적인 접근법을 제시한다. 전통적인 시계열 군집화는 보통 시계열 자체의 거리(예: DTW)나 자기상관 구조를 직접 비교하지만, 저자는 DFT 절댓값을 정규화하여 단위 원 위의 확률 질량 함수(PMF) 혹은 연속 확률 밀도 함수(PDF)로 변환한다. 이때 정규화는 전체 스펙트럼 에너지를 1로 맞추어 확률적 해석을 가능하게 한다.

EM 알고리즘은 두 단계로 구성된다. E‑step에서는 현재 군집별 파라미터(즉, 각 군집의 평균 스펙트럼 형태와 혼합 비율)를 이용해 각 시계열이 특정 군집에 속할 사후 확률을 계산한다. 여기서 사후 확률은 베이즈 정리를 적용해, 관측된 스펙트럼과 군집 평균 스펙트럼 간의 Kullback‑Leibler 발산 혹은 유클리드 거리 기반 유사도에 기반한다. M‑step에서는 이러한 사후 확률을 가중치로 사용해 군집 평균 스펙트럼을 업데이트한다. 평균은 각 주파수 성분별 가중 평균으로 계산되며, 이는 비모수적 특성을 유지한다.

핵심적인 이점은 다음과 같다. 첫째, 파라미터화된 ARMA·ARIMA 모델에 의존하지 않으므로 복잡한 비선형·비정상 동역학을 포착할 수 있다. 둘째, 스펙트럼 자체가 시계열의 전역적인 주기성·진폭 정보를 압축하므로 차원 축소 효과가 있다. 셋째, EM의 반복적 최적화는 군집 수 K를 사전에 지정하거나 BIC·AIC와 같은 모델 선택 기준으로 자동 조정할 수 있다.

실험에서는 (1) 신경학적 스파이크 파형—짧은 비정상 펄스가 시간에 따라 형태가 변하는 경우—와 (2) 거시경제 지표(예: 실업률, 소비자 물가 지수)의 월별 시계열—정상성을 가정할 수 있는 경우—를 대상으로 검증하였다. 스파이크 정렬에서는 기존 PCA‑k‑means 기반 방법보다 군집 정확도가 12% 향상되었으며, 잡음에 강인한 특성을 보였다. 거시경제 데이터에서는 동일한 주기성을 공유하는 국가 그룹을 성공적으로 식별해, 정책 분석에 활용 가능한 군집 구조를 제공했다.

한계점으로는 스펙트럼 정규화 과정에서 에너지 손실이 발생할 수 있고, 매우 짧은 시계열은 충분한 주파수 해상도를 제공하지 못한다는 점이 있다. 또한 EM은 지역 최적에 수렴할 위험이 있어 초기값 선택이 결과에 영향을 미친다. 향후 연구에서는 베이지안 비모수 혼합 모델이나 변분 베이즈 접근을 도입해 초기값 의존성을 완화하고, 다변량 시계열에 대한 공동 스펙트럼 군집화를 확장할 계획이다.