점진적 모델 갱신 기법을 이용한 스트림 데이터 예측 = Prediction of Stream Data using Incremental Model Updating

국문 초록 (Abstract)

최근 센서 네트워크의 발달로 실세계의 많은 데이터가 시간 속성을 갖고 실시간으로 수집되고 있다. 기존의 시계열 데이터 예측 기법은 긴 주기를 갖는 과거 데이터를 통해 미래를 예측하거나 모델 갱신 없이예측을 수행하였다. 그러나 스트림 데이터는 매우 빠르게 수집이 되고 시간이 지남에 따라 데이터의 특성이 변경될 수 있으므로 기존의 시계열 예측 기법을 적용하는 것은 적절하지 않다. 따라서 이 논문에서는 슬라이딩 윈도우와 점진적인 회귀분석을 이용한 스트림 데이터 예측 기법을 제안한다. 이 기법은 스트림데이터를 다중 회귀 모델에 입력하기 위해 차원 분열을 통해 여러 개의 속성으로 분열( F r a c t a l )하고, 변화되는 데이터의 분포를 반영하기 위해 슬라이딩 윈도우 기법을 사용하여 점진적으로 회귀 모델을 갱신한다. 이전 데이터의 유지 없이 최소 정보를 갖는 행렬을 통해 모델을 갱신하므로 낮은 공간 복잡도를 갖는다. 제안된 기법의 타당성은 RME(Relative Mean Error)와 RMSE(Root Mean Square Error)를 이용하여 측정하였다. 1시점 예측 정확도 측정 실험 결과 제안 기법인 IMQR(Incremental Multiple Quadratic Regression) 기법이 DES(Double Exponential Smoothing), SVR(Support Vector Regression), MLR(Multiple Linear Regression), MQR(Multiple Quadratic Regression) 기법에 비해 R M E가 평균 5.6%, RMSE가 평균 0.067 정도 우수하였다.

다국어 초록 (Multilingual Abstract)

Advance in wireless sensor network made it possible to collect massive amounts of sensor-based data with temporal attribute at real-time. Existing prediction methods for time-series data have tried to predict the future using the past data or without updating a model. However, the methods are not suitable for stream data, because the data is characterized by high data rate and changes in data distribution over time. In this paper, we propose IMQR(Incremental Multiple Quadratic Regression), a novel prediction method using incremental model updating. To apply stream data to a multiple regression model, we fractionalize stream data in several attributes using fractal. The model is then updated using sliding window to reflect changes in data distribution incrementally. This method that updates the model through a matrix having minimal information without maintaining the past data guarantees low space complexity. We evaluated error rate in IMQR using RME(Relative Mean Error) and RMSE(Root Mean Square Error). As a result, compared with other methods such as DES(Double Exponential Smoothing), SVR(Support Vector Regression), MLR(Multiple Linear Regression), and MQR(Multiple Quadratic Regression), RME and RMSE in IMQR decreased by 5.6% and 0.067% in average, respectively.

목차 (Table of Contents)

• 요약
• ABSTRACT
• 1. 서론
• 2. 관련연구
• 3. 다중 회귀분석
• 4. 스트림 데이터 예측 기법
• 5. 실험 및 평가
• 6. 결론 및 향후 연구
• 참고문헌