누락된 시계열도 정확히 맞춘다

초록

본 논문은 결측치와 타임스탬프 불일치를 동시에 가진 다변량 시계열을 사전 보간 없이 정렬하는 제약 기반 프레임워크를 제안한다. 시간·위치·모델 일관성 세 가지 제약을 정의하고, 정렬 튜플의 가중치를 설계한다. 정확도와 효율성을 조절하는 세 가지 근사 알고리즘(조합적, 가중 k‑set packing, 그리디·기대 기반)을 제시하며, 이론적 근사 비율과 실험을 통해 기존 방법보다 높은 정렬 품질을 입증한다.

상세 분석

이 연구는 기존 시계열 정렬 기법이 완전한 데이터 전제에 머무는 한계를 정확히 짚고, 결측치가 존재해도 사전 보간 없이 정렬을 수행할 수 있는 새로운 문제 정의를 제시한다. 핵심은 세 가지 제약—시간 제약(Θ(r)≤θ), 위치 제약(Φ(r)≤β), 모델 일관성 제약(Δ(Rₘ,M)≤δ)—을 동시에 만족하도록 튜플을 선택하는 것이다. 각 튜플은 비결측값 개수 λ와 인덱스 간 거리 d(r)를 이용해 W(r)=k₁·p(r)+b·k₂·d(r)+c 로 가중치를 부여한다. 여기서 p(r)=λ·(λ−1)/2 은 튜플 내부의 유효 쌍 수를, d(r)는 인덱스 차이의 총합을 의미한다. 이러한 가중치 설계는 데이터 완전성 및 위치 압축성을 동시에 고려한다. 알고리즘은 먼저 시간·위치 제약을 만족하는 후보 집합 R_c 를 효율적으로 생성하고, 이후 최적화 목표인 가중치 합을 최대화하면서 제약을 만족하는 튜플 집합을 선택한다. 정확도 중심의 조합적 방법은 지수적 복잡도 O(2^{|R_c|}) 를 갖지만, 가중 k‑set packing 기반 근사는 ξ≥3/(2(m+1)) 의 근사 비율을 보장하며 다항식 시간에 해결한다. 그리디와 기대 기반 휴리스틱은 각각 O(|R_c|·m²) 와 O(|R_c|·m·K) 의 선형에 가까운 복잡도로 실시간 적용이 가능하다. 이론적 보장은 물론, 실험에서는 10%~40% 결측율을 가진 네 개의 실제 데이터셋에서 기존 DTW, CTW, SAMC 등 6개 베이스라인을 모두 앞서며, 정렬된 튜플 수와 정렬 정확도 모두 유의미하게 개선됨을 보여준다. 또한 MARSS 모델을 이용한 손실 평가를 통해 모델 일관성 제약이 실제 정렬 품질에 미치는 긍정적 영향을 검증한다. 전체적으로 제약 기반 접근법이 결측치에 강인하면서도 확장 가능한 정렬 솔루션을 제공한다는 점이 주요 공헌이다.