Trend filtering simplifies the complex patterns of time series data. However, smoothness of trend filtering assumes constantness with a fixed criterion for the entire sequence. Because of constantness, noise filtering occurs in sub-sequences that should be fully reflected in the trend, such as abrupt changes. In this thesis, we propose a Dynamic Trend Filtering network (DTF-net) based on simple Reinforcement Learning (RL). Our model starts with the hypothesis that noise has two types: important events as structural breakpoints and simple white noise. The goal is to include an important event in the trend that existing trend filtering algorithms remove as noise. In DTF-net, discrete action defines Dynamic Trend Points (DTP), which we define as Trend Point Detection. The trend extracted from DTPs uses flexible noise filters, thus conserving important original sub-sequences while removing noise for other sub-sequences as much as necessary. By using forecasting MSE as a reward, we can also capture the temporal dependency before and after the action event when extracting the trend. We demonstrate that DTF-net reflects important events more effectively than other trend filtering methods by analyzing synthetic data. Furthermore, the noise-robust property of DTF-net enhances forecasting performance by utilizing the trends obtained from DTF-net as an additional feature.
트렌드 필터링은 시계열 데이터의 복잡한 패턴을 단순화 한다. 트렌드의 부드러운 특성은 전체 시퀀스에 대해 일정한 윈도우 크기를 가정하고 있다. 이로 인해 서브 시퀀스내의 급격한 변화가 완전히 반영되어야 함에도 노이즈로 간주되어 필터링 된다. 본 학위 논문에서는 강화학습 기반의 트렌드 필터링 기법을 제안한다. 본 연구는 노이즈가 두 가지로 구성되는 가정에서 시작하는데, (1) 구조적 단절과 같은 중요한 이벤트와, (2) 백색 노이즈이다. 본 논문의 목표는 기존의 알고리즘이 노이즈로 제거해 버리는 중요한 이벤트들을 트렌드에 포함시키는 것이다. 이산적인 액션이 트렌드 포인트를 정의하고, 이로부터 추출된 트렌드는 중요한 원본 서브 시퀀스의 정보를 보존한다. 그리고 평균 제곱 오차를 보상으로 사용함으로써 트렌드 추출시에 액션 이벤트 전후의 시간적 종속성을 포착할 수 있다. 합성 데이터 분석으로 트렌드내의 중요한 이벤트 반영을 입증하며, 노이즈 강건한 특성으로 예측 성능을 향상 시킨다.
