In this thesis, a new approach using pattern recognition techniques is suggested for time series modeling (TSM) where a time series is classified into one of autoregressive moving- average (ARMA) models. The underlying concept of the approach is pattern matching which can be described in such a manner that unknown pattern may be appropriately assigned to a class which best matches the pattern. In this study, a pattern is derived from a time series under consideration by using extended sample autocorrelation function and the time series is classified into one of ARMA models whose prototypical pattern best matches the time series pattern. For TSM, two approaches- inductive learning approach and decision tree classifier approach- are investigated and integrated into a unified framework.
For inductive learning approach, a learning procedure is used to recognize various types of patterns by using linear discriminant whose goal is to discriminate one pattern from the others. The recognition results are stored in pattern base. When a time series pattern is to be identified, the pattern is compared with the stored patterns in pattern base. If the degree of similarity is proved to be highest for a stored pattern, then the time series pattern is assigned to a model relating to the stored pattern.
For decision tree classifier approach, a decision tree classifier is developed to divide decision procedures involved in TSM into a set of simple and local decisions at each node of the tree. Fuzzy set theory is used to deal with the imprecision inherent in TSM. A tree search algorithm suitable for the characteristics of TSM is suggested based on fuzzy decision values. Knowledge-based approach is applied to provide intelligence for the algorithm.
These two approaches are integrated into a unified TSM-solving framework. A prototype system is designed and implemented. Experimental results with several examples show that a pattern recognition-based approach can yield a promising solution for TSM.
본 연구에서는 시계열 모형화 (Time Series Modeling) 를 위하여 패턴인식 기법을 이용한 새로운 접근방법을 제시하였다. 여기서 시계열 모형화란 임의의 한 시계열 자료 (Time Series Data) 를 자동회귀 이동평균 (Autoregressive Moving Average: ARMA) 모델로 분류함을 의미한다. 본연구에서 제시하는 방법의 근간을 이루는 개념은 패턴 대조 (Pattern Matching) 개념으로서, 이는 미지의 패턴 (unknown pattern) 을 이 패턴과 가장 잘 부합하는 ARMA 모델로 분류하는 개념이다. 본 연구에서의 시계열 패턴은 확장된 표본 자기상관함수 (Extended Sample Autocorrelation Function: ESACF) 를 이용하여 도출하였다. 시계열 모형화를 위하여 본 논문에서는 귀납적 학습 (Inductive Learning) 방법과 의사결정 츄리 분류기 (Decision Tree Classifier) 방법을 개발하였고, 이 두가지 방법을 통합한 하나의 통합 구조 (unified framework) 를 제시하였다.
귀납적 학습 방법에서는, 선형 분류함수 (Linear Discriminant) 를 이용하여 다양한 시계열 패턴을 인식한다. 인식 결과는 패턴 베이스 (Pattern Base) 에 수록 된다. 임의의 한 시계열 패턴을 인식하고자 할 때에는, 해당 패턴을 패턴 베이스내에 저장되어 있는 패턴과 각각 비교하여 가장 근사한 패턴을 선택하고, 그 선택된 패턴에 해당하는 ARMA 모델로 해당 패턴을 분류한다.
의사결정 츄리 분류기 방법에서는, 시계열 모형화에 수반되는 의사결정 과정을 의사 결정 츄리내의 각 노우드 (node) 에 있어서의 일련의 간단하면서도 지엽적인 (local) 의사결정 과정으로 분해하는 방법을 이용한다. 한편, 시계열 모형화에 고유한 부정확성을 적절히 처리하기 위하여 퍼지 집합 이론 (Fuzzy Set Theory) 을 사용하였으며, 또한 퍼지 의사결정값 (fuzzy decision value) 을 이용한 츄리 탐색 해법 (tree search algorithm) 을 개발하였다. 이러한 츄리 탐색 과정을 보다 쉽고 발견적 (heuristic) 으로 하기 위하여 지식에 기초한 접근 방법 (knowledge-based approach) 을 적용하였다.
이러한 두가지 시계열 모형화 접근 방법을 연결한 통합 구조를 실제 자료 또는 모의 자료를 가지고 테스트 해본 결과, 매우 좋은 결과를 얻었다.
본연구에서 제시한, 패턴인식 방법에 의한 시계열 모형화 방법은, 종전의 통계적 기법에 기초한 방법과는 달리 학습과정을 통한 발견적인 기능이 있으며, 또한 학습이 된후에는 상당히 복잡한 패턴도 인지할 수 있다는 장점이 있다.
