| 한글제목(Korean Title) |
딥러닝을 이용한 다변량 시계열 데이터의 결측치 처리에 관한 연구 조사 |
| 영문제목(English Title) |
A Survey on Handling Missing Values in Multivariate Time Series Data Using Deep Learning |
| 저자(Author) |
이영준
Young Jun Lee
윤수식
Susik Yoon
이재길
Jae-Gil Lee
|
| 원문수록처(Citation) |
VOL 35 NO. 03 PP. 0054 ~ 0065 (2019. 12) |
한글내용
(Korean Abstract) |
다변량 시계열 데이터는 기상, 교통, 제조 등 다양한 산업에서 예측 및 이상 탐지 등의 여러 응용을 위해 활발히 활용된다. 하지만 여러 원인에 의해 발생하는 다변량 시계열 데이터 내의 결측치는 데이터의 품질과 활용도를 크게 떨어뜨린다. 따라서 다변량 시계열 데이터 내에서의 결측치를 처리하기 위한 다양한 연구가 시도되었다. 하지만 대부분의 기존 방법들은 다변량 시계열 데이터의 가장 중요한 두 가지 특징인 변수 간 상관관계와 시간상의 의존관계를 제대로 반영하지 못하였다. 본 논문에서는 위 두 가지 특징을 효과적으로 고려하여 결측치 처리 성능을 크게 향상한 딥러닝 기반의 최근 연구들을 소개한다. 제시된 모델들은 크게 확정적 모델과 생성 모델로 구분된다. 본 논문은 각 모델의 특징을 기반으로 작동방식과 장단점을 자세하게 설명한다. 그리고 딥러닝을 이용한 방법들의 한계점을 지목하며 향후 연구 방향에 대하여 토의한다.
|
영문내용
(English Abstract) |
Multivariate time series data has been widely used for various applications (e.g. prediction and outlier detection) across many industries such as meteorology, transportation, and manufacturing. However, missing values in multivariate time series data significantly reduce the usability of the data. There have been many efforts to overcome this problem, but most of the previous studies do not effectively consider the two most important characteristics of multivariate time series data: (1) the correlation between variables and (2) the temporal dependency. This paper introduces the recent deep learning-based approaches which show better performances on processing missing values by taking into account these two characteristics. According to the mechanism of the model, the introduced studies can be categorized into either a discriminative model or a generative model. This paper explains the basic mechanism of each model, as well as its strengths and weaknesses. The limitations of the models and possible future research directions are also discussed.
|
| 키워드(Keyword) |
딥러닝
데이터 마이닝
다변량 시계열 데이터
결측치
Deep Learning
Data Minning
Multivariate Time Series
Missing value
|
| 파일첨부 |
PDF 다운로드
|
