동적 시간 정합 기반 손실함수의 개선을 통한 딥러닝 모델의 시계열 예측 성능 제고

Abstract

다시점 시계열 예측은 시간에 따라 변화하는 기록 데이터를 획득할 수 있는 다양한 산업 및 연구 분야에서 매우 활발히 연구되어 오던 주제이다. 현재는 딥러닝 모델을 이용해 시계열의 고유한 특성인 주기성, 추세성, 비규칙성 등의 시간적 역학(temporal dynamics)을 학습하는 연구 방법론이 일반적이나, 모델의 예측 결과를 평가하고 학습 방법 및 방향을 결정하는 손실함수에 대한 연구는 아직까지 많지 않다. 본 논문에서는 시계열 예측 용 딥러닝 모델의 학습을 위한 개선된 동적 시간 정합 (Dynamic Time Warping, DTW) 기반 손실함수를 제시한다. 미분 가능한 동적 시간 정합에 거리 기반 가중 방법(Weighted DTW)과 주변 시점들을 함께 고려하는 모양 기술자를 사용하는 방법(Shape DTW)를 적용하여 목표 시계열의 모양(변화의 크기와 시점)을 더욱 정확하게 예측할 수 있도록 의도하였다. 제시한 손실함수를 여러 딥러닝 모델과 서로 다른 특징을 갖는 실제 데이터 셋들에 적용하고 유클리드 거리 기반 손실함 수 및 기존 동적 시간 정합 기반 손실함수와의 비교를 통해 예측 성능이 향상됨을 보였 다. 또한 정량적 관점에서는 다양한 평가지표를 사용하여 시계열 예측을 여러 관점에서 평가하였으며, 정성적 평가를 통해 제시한 손실함수가 시계열의 급격한 변화를 더욱 잘 예측한다는 것을 보여 기존 손실함수를 충분히 대체할 수 있음을 확인하였다.

Multi-step time series forecasting is a topic that has been studied very actively in various industries and research fields that can obtain historical data that changes over time. Currently, research methodologies that use deep learning models to learn temporal dynamics such as periodicity, trendiness, and irregularity, which are unique characteristics of time series, are common, but there are not many studies on loss functions that evaluate predictions of model and determine learning methods and directions. In this paper, we present an improved dynamic time warping (DTW)-based loss function for learning deep learning models for time series prediction. We intend to apply a distance-based weighting method (Weighted DTW) and a shape descripting 68 method (Shape DTW) that considers the surrounding points together, to a differ entiable DTW to more accurately predict the shape of the target time series (size and timing of change). We apply the proposed loss function to several deep learning models and real-world datasets with different features, and compare it with Eu clidean distance-based loss function and existing DTW-based loss function to show improved predictive performance. In addition, time series prediction was evaluated from various perspectives using various evaluation indicators from a quantitative point of view, and it was confirmed that the loss function presented through qual itative evaluation predicts the rapid change of the time series better, which can sufficiently replace the existing loss function.