Time-series segmentation is a useful tool for identifying the underlying characteristics of time series and summarizing time series as a sequence of states. Partitioning time series into the states makes the complex time series easily understandable and interpretable. However, as labels for time points are not normally available, it is challenging to figure out the accurate segments and their states. Therefore, we propose an unsupervised time-series segmentation using properties inherent in times series. The states can be characterized by diverse length patterns inherent in time series, and thus identifying and capturing diverse patterns are crucial in an unsupervised time-series segmentation. We adopt a temporal convolutional network (TCN) as our key component to learn diverse length patterns since the intermediate layers in TCN contain both short and long patterns hierarchically from the first to the last layer. In this thesis, we propose a novel unsupervised time-series segmentation TCTS, which is featured with the joint optimization of two modules, TCN-based pattern learning and clustering-based classification. TCN-based pattern learning targets to grasp diverse length patterns that are characterized differently by the states, while the clustering-based classification improves the separability of the representations between the states. We conduct experiments by comparing several baselines with multiple datasets and demonstrate the superiority of TCTS.
시계열 분할은 시계열 데이터의 근원적인 특성을 파악하고 시계열을 일련의 상태들로 요약하는데 유용한 방법이다. 시계열 데이터를 일련의 상태로 요약하면 복잡한 시계열 데이터를 이해하고 해석하기 쉽다. 하지만 일반적으로 시계열 데이터는 모든 시점에 대한 라벨 값이 존재하지 않는다. 따라서, 본 연구에서는 시계열에 내재한 특징들을 활용한 비지도 학습 시계열 분할을 제안한다. 시계열은 상태들을 시계열에 내재한 다양한 길이의 패턴들의 조합으로 특징지을 수 있으므로, 비지도 학습에서 다양한 패턴을 식별하고 포착하는 것이 중요하다. 시간 합성곱 신경망을 모델의 핵심 구성 요소로 채택하는데, 그 이유는 길이가 긴 패턴을 효율적으로 배우고, 계층적으로 짧은 패턴부터 긴 패턴을 학습하여 다양한 길이의 패턴들을 학습하기 때문이다. 본 연구에서는 시간 합성곱 신경망 기반 시계열 분할 비지도 학습 방법론을 제안하며, 두 개의 모듈이 함께 최적화되며 학습이 진행된다. 첫 번째 모듈은 상태에 따라 다르게 특징화된 다양한 패턴들을 배우는 것을 목표로 하며, 두 번째 모듈은 상태를 대표하는 표현 간의 분리도를 향상한다. 본 연구에서는 오픈된 시계열 데이터셋을 활용하여 실험을 수행하였고, 우리 모델의 우수성을 입증하였다.
