다변량 시계열 데이터 품질 개선을 위한 GAN 기반 데이터 보정기법 = A GAN-based data correction method for improving quality of multivariate time series data
저자
발행사항
서울 : 서울시립대학교 일반대학원, 2023
학위논문사항
학위논문(석사)-- 서울시립대학교 일반대학원 : 전자전기컴퓨터공학과 2023. 8
발행연도
2023
작성언어
한국어
주제어
발행국(도시)
서울
형태사항
iii, 46 p. ; 26 cm
일반주기명
지도교수: 김한준
UCI식별코드
I804:11035-000000034691
소장기관
본 논문은 GAN 기반 이상탐지 모델과 딥러닝 기반 예측모델을 이용하여 다변량 시계열 데이터의 품질을 개선할 수 있는 데이터 보정기법을 제안한다. 센서 기술의 발달로 다양한 분야에서 센서를 통해 다변량 시계열 데이터가 생성 및 수집되고, 이를 활용하여 인공지능 기반의 예측모델이 개발되고 있다. 그러나 데이터 수집과정에서 센서들의 외부 환경 요인 또는 자체 요인으로 이상값이 생성될 수 있다. 딥러닝 기반 예측모델의 신뢰도를 높이기 위해 시계열 데이터의 이상값을 탐지하고 보정하는 것은 필수적이다. 특히, 다변량 시계열 데이터는 보정을 위해 변수들 간의 관계와 시계열의 시간적 특성 간의 관계가 동시에 고려되어야 한다. 일반적으로 시계열 데이터에 대한 딥러닝 모델은 슬라이딩 윈도우 기법을 통해 세분화된 윈도우를 기반으로 학습된다. 따라서 다변량 시계열 데이터 보정에 앞서 정상 윈도우로 학습된 LSTM 기반 VAE-GAN 이상탐지 모델을 이용하여 데이터 내에 존재하는 이상값을 탐지한다. 그 다음, 변수들 간의 관계를 고려하기 위해 상관계수 행렬을 학습하도록 설계된 Attention 기반 LSTM 예측모델로 이상으로 탐지된 해당 윈도우를 예측한다. 그리고 예측된 윈도우를 정상 윈도우를 잘 생성하도록 학습된 이상탐지 모델의 생성자에 전달하여 재생성한 윈도우로 이상 윈도우를 대체함으로써 보정을 수행한다. 우리는 다양한 종류의 데이터를 활용한 실험을 통하여 제안 기법이 기존 기법보다 다변량 시계열 데이터 품질 개선 성능이 우수함을 보인다.
더보기This study proposes a data correction method that can improve the quality of multivariate time series data using a GAN-based anomaly detection model and a deep learning-based prediction model. With the development of sensor technology, multivariate time series data are generated and collected through sensors in various fields, and artificial intelligence-based prediction models are being developed by using it. However, in the process of data collection, anomalies may be generated due to external environmental factors or internal factors of the sensors. To improve the reliability of deep learning-based predictive models, it is essential to detect and correct anomalies in time series data. In particular, for multivariate time series data, the relationship between variables and the temporal characteristics of the time series must be considered simultaneously for correction. In general, deep learning models for time series data are trained based on fine-grained windows through sliding window techniques. Therefore, before correcting multivariate time-series data, an LSTM-based VAE-GAN anomaly detection model trained with a normal window is used to detect anomalies in the data. Then, the detected anomaly windows are predicted with an Attention-based LSTM prediction model, which is developed to train a correlation matrix to consider the relationship between variables. The predicted windows are then forwarded to the generator of the anomaly detection model, which is trained to generate windows similar to normal windows, to perform correction by replacing the abnormal windows with regenerated windows. Through intensive experiments using various types of data, we show that the proposed correction method further improves the quality of multivariate time-series data compared to other conventional correction methods.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)