LSTM 기반 VAE-GAN과 윈도우 연관성을 이용한 시계열 데이터 이상치 보정 기법 (Anomaly Correction in Time Series Data Using LSTM-Based VAE-GAN and Window Relevance)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 데이타베이스연구 / 41권 / 1호 / 30 ~ 52페이지
· 저자명 : 윤소현, 김한준, 장재영

초록

본 논문은 GAN 기반 이상 탐지 모델을 활용하여 다변량 시계열 데이터의 품질을 향상시키는 새로운 데이터 보정 기법을 제안한다. 사물인터넷 환경에서 시계열 데이터 수집 및 처리 과정에서 센서 오작동 등 다양한 요인으로 인해 이상치가 발생할 수 있으며, 이를 활용한 예측모델의 성능을 크게 저하시키는 요인이 되고 있다. 본 논문은 딥러닝 기반의 이상 탐지 모델과 윈도우 연관성을 결합하여 시계열 데이터의 정교한 보정을 수행한다. 제안 기법은 LSTM 기반 VAE-GAN 모델을 활용하여 시계열 내 이상치를 효과적으로 탐지하고, 다변량 시계열 간의 상관관계를 반영하여 이상치 보정의 정확도를 높인다. 특히, 동적 시간 워핑과 피어슨 상관계수를 결합하여 윈도우 연관도 벡터를 생성함으로써, 다변량 시계열 데이터의 복잡한 구조를 효과적으로 반영할 수 있다. 본 기법의 유효성을 검증하기 위해 다양한 도메인의 데이터셋을 활용하여 실험을 수행하였으며, 제안 기법으로 보정된 데이터의 예측모델이 기존 기법으로 보정된 데이터의 예측모델보다 그 성능이 우월함을 보였다.

영어초록

This paper presents a novel data correction methodology to enhance multivariate time series data quality using a GAN-based anomaly detection framework. In IoT environments, anomalies frequently emerge during time series data collection and processing due to factors like sensor malfunctions, significantly impairing predictive model performance. The proposed method addresses this challenge by integrating a deep learning-based anomaly detection model with a window relevance mechanism for precise time series data correction. Our approach employs an LSTM-based VAE-GAN model that effectively identifies anomalies while enhancing correction accuracy by capturing correlations across multivariate time series. Additionally, by generating window relevance vectors through the combination of Dynamic Time Warping (DTW) and Pearson correlation coefficients, the method accurately reflects the complex structure of multivariate time series data. Experimental validation across diverse domain datasets demonstrates that predictive models trained on our corrected data consistently outperform those using conventionally corrected data.

참고자료

· 없음