시간 이벤트 시퀀스 시각적 구분을 위한 복합 이벤트 자동 학습

초록

본 논문은 대규모 기업 등록 데이터에서 발생하는 시간 순서 이벤트 시퀀스를, 자동으로 복합 이벤트로 묶어 시각적 트리 구조에 통합하는 방법을 제안한다. 결과(파산·사기 등) 정보를 활용해 흐름별 성공 확률을 색상·두께로 표시하고, 정보이득과 시각 복잡도 지표로 패턴의 품질을 정량화한다. 기존의 빈번 패턴·분기 패턴 채굴 기법과 비교해 가독성·예측력을 동시에 향상시킨다.

상세 분석

이 연구는 세 가지 핵심 기술적 기여를 제공한다. 첫째, 시간 윈도우 기반의 복합 이벤트 학습 절차를 정의한다. 원시 시퀀스를 일정 길이 w 의 구간으로 나눈 뒤, 각 구간 내 이벤트 타입 빈도를 피처로 추출하고, k‑means 군집화를 통해 k개의 군집을 형성한다. 각 군집은 새로운 복합 이벤트 타입으로 치환되며, 이는 동일 구간 내 순서 정보를 무시함으로써 시간적 잡음을 감소시키고, 고유 시퀀스 수를 크게 줄인다. 둘째, 결과‑주도 시각화를 설계한다. 복합 이벤트 트리(이벤트 트리)에서 노드 간 전이선에 전체 시퀀스 비율을 y축으로, 시간 흐름을 x축으로 배치하고, 각 전이선에 결과(예: 파산) 발생 확률을 색상·두께로 인코딩한다. 이를 통해 분석가는 특정 흐름이 결과에 미치는 영향을 직관적으로 파악할 수 있다. 셋째, 품질 평가 메트릭을 도입한다. 정보이득(Information Gain)을 사용해 각 분기점이 결과를 얼마나 구분하는지 정량화하고, 시각 복잡도(노드·링크 수, 트리 깊이 등)를 계산해 가시성 비용을 측정한다. 두 메트릭을 결합해 최적의 w 와 k 값을 탐색하고, 자동으로 “흥미로운” 시각화를 추천한다. 실험에서는 덴마크 기업 데이터(5천만 이벤트, 150만 기업)를 대상으로, 제안 방법이 기존의 CoreFlow(분기 패턴)와 수정된 CoreFlow(결과 기반 순위)보다 정보이득이 평균 12 % 이상 높고, 시각 복잡도는 30 % 이하로 감소함을 보였다. 또한, 도메인 전문가 인터뷰를 통해 복합 이벤트 트리가 “핵심 흐름을 빠르게 식별하게 해준다”는 긍정적 피드백을 얻었다. 이와 같이 시간 윈도우와 군집 기반의 자동 요약이, 결과‑주도 시각화와 정량적 메트릭과 결합될 때, 대규모 이벤트 시퀀스 분석의 해석 가능성과 의사결정 지원 능력을 동시에 강화한다는 점이 주요 인사이트이다.