기울기 기반 시계열 군집화와 입자군집 최적화

초록

본 논문은 시계열 데이터를 구간별 기울기로 간단히 표현하고, 이를 기반으로 유클리드 거리와 동적 시간 왜곡(DTW)을 결합한 새로운 거리 측정법을 제안한다. 제안 거리 측정법이 메트릭임을 증명하고, 군집화 단계에서는 입자군집 최적화(PSO)를 적용한다. 세 가지 기존 거리와 비교한 실험 결과, 제안 방법이 대부분의 데이터셋에서 군집 품질을 크게 향상시킴을 확인하였다.

상세 분석

이 연구는 시계열 군집화에서 가장 핵심적인 두 요소, 즉 ‘유사도 측정 방법’과 ‘군집 알고리즘’에 동시에 주목한다. 먼저 시계열을 일정 길이의 구간으로 나눈 뒤 각 구간의 기울기(slope)를 추출한다. 구간 기울기는 원본 시계열의 전반적인 형태를 압축적으로 표현하면서도 노이즈에 대한 민감도를 낮추는 장점을 가진다. 기존의 단순 유클리드 거리(Euclidean Distance)는 시계열의 위상 차이를 무시하고, DTW는 복잡한 정렬 연산으로 계산 비용이 크게 증가한다는 한계가 있다. 저자들은 구간 기울기 벡터를 기반으로 유클리드 거리와 DTW를 가중합하는 새로운 거리 함수를 정의한다. 구체적으로, 동일 구간 내 기울기 차이에 대한 유클리드 거리와, 구간 간 정렬을 허용하는 DTW 비용을 각각 정규화한 뒤, α와 β라는 두 파라미터로 선형 결합한다.

핵심 이론적 기여는 이 복합 거리 함수가 ‘메트릭’임을 수학적으로 증명한 점이다. 메트릭 성질(비음성, 대칭성, 삼각 부등식)을 만족함을 보임으로써, KD‑Tree나 Ball‑Tree와 같은 고속 인덱싱 구조를 적용할 수 있게 된다. 이는 대규모 시계열 데이터베이스에서 최근접 이웃 탐색을 효율화하는 데 큰 의미가 있다.

군집 단계에서는 입자군집 최적화(Particle Swarm Optimization, PSO)를 활용한다. PSO는 입자들이 현재 최적 해와 전체 최적 해를 공유하며 탐색 공간을 효율적으로 탐색하는 메타휴리스틱이다. 여기서는 각 입자를 군집 중심(centroid) 후보로 간주하고, 제안 거리 함수를 이용해 군집 내 평균 거리(또는 SSE)를 목적 함수로 설정한다. PSO의 파라미터(입자 수, 관성 가중치, 학습 계수 등)는 실험을 통해 최적화되었으며, 전통적인 K‑means와 비교했을 때 수렴 속도와 지역 최적에 빠지는 위험이 현저히 낮았다.

실험은 UCR 시계열 데이터베이스에서 추출한 10개 이상의 다변량·단변량 데이터셋을 대상으로 수행되었다. 비교 대상 거리 측정법은 (1) 순수 유클리드 거리, (2) DTW, (3) Shape‑Based Distance(형태 기반 거리)였다. 평가 지표는 실루엣 점수, Davies‑Bouldin Index, 그리고 정밀도·재현율 기반의 외부 군집 지표를 포함한다. 대부분의 경우 제안 거리+PSO 조합이 다른 조합보다 높은 실루엣 점수와 낮은 DBI를 기록했으며, 특히 비선형 변동이 큰 데이터셋에서 그 차이가 두드러졌다.

한계점으로는 구간 길이와 가중치 파라미터(α, β)의 선택이 데이터 특성에 민감하다는 점이다. 현재는 교차 검증을 통해 사전에 튜닝하고 있으나, 자동 파라미터 추정 메커니즘이 부재하다. 또한 PSO는 전역 탐색 능력이 뛰어나지만, 입자 수가 증가하면 계산 비용이 선형적으로 상승한다는 점에서 대규모 실시간 응용에는 추가 최적화가 필요하다.

향후 연구 방향으로는 (1) 적응형 구간 분할 기법을 도입해 데이터에 따라 동적으로 구간 길이를 조정, (2) 메트릭 증명을 기반으로 LSH와 같은 근사 최근접 이웃 기법과 결합, (3) PSO 외에 다른 메타휴리스틱(예: Differential Evolution)과의 비교, (4) 다변량 시계열 및 비정형 시계열(예: 이벤트 기반 로그)으로의 확장을 제시한다. 이러한 확장은 제안 방법의 일반화 가능성을 높이고, 실제 산업 현장에서의 적용성을 크게 확대할 것으로 기대된다.