A survey on model based time series classification and clustering

Abstract

Time series classification and clustering have become a significant challenge in data mining with the availability of storing vast amounts of time series data. Due to its tricky property, traditional methods, such as K-means, K-nn, and SVM, do not directly apply to time series analysis. However, despite its challenging aspects, time series classification and clustering are helpful in understanding data structure and finding new patterns in unstructured time series. For this reason, it has emerged as a popular topic in data mining, and there are many relevant articles. This review holistically discusses the essential parts of some existing research, focusing on a model-based approach to time series classification and clustering. Although there are several comprehensive reviews on this topic, they are too broad to get specific knowledge or insight quickly. Thus, we give brief instructions about the overall process for those interested in statistical applications.

시계열 분류, 군집분석은 시간에 따른 방대한 데이터를 저장하는 능력과 함께 데이 터 마이닝 분야에서 주요한 과제로 떠오르고 있다. 시계열 자료의 까다로운 성질에 의해 전통적 기법인 K-평균, K-근접이웃, SVM 등등은 직접적으로 적용이 쉽지 않다. 그러나 이러한 어려움에도 불구하고 시계열 분류, 군집분석은 데이터의 구 조를 이해하는데 도움을 주고 구조화 되지않은 데이터에서 새로운 패턴을 발견할 수 있도록 도움을 준다. 이러한 이유로 데이터 마이닝 분야에서 인기있는 주제로 여겨지고 있고 수 많은 해당 연구들이 존재하고 있다. 이번 재검토 연구에서는 전체적으로 여러 연구들을 검토한 다음 통계적 응용에 목적이 있는 모델 기반의 접근법을 알아본다. 비록 이 분야에서 벌써 몇 가지의 재검토 연구가 존재하지만 대 부분의 재검토 연구는 특정한 지식이나 통찰을 얻기에는 너무 방대하게 설명되고 있다. 따라서 이 연구에서는 처음 주제를 접하는 연구자를 위해 전반적인 과정들 에 대한 간단한 설명을 하고 특히 통계적 응용과 연구에 관심이 있는 이들을 위해 모델 기반의 접근법을 소개한다.