Chulalongkorn University Theses and Dissertations (Chula ETD)

การสร้างแผ่นแบบโดยใช้การปรับแนวแบบไทม์วอร์ปปิง

Other Title (Parallel Title in Other Language of ETD)

Template construction using time-warping alignment

Year (A.D.)

2009

Document Type

Thesis

First Advisor

โชติรัตน์ รัตนามหัทธนะ

Faculty/College

Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Degree Name

วิศวกรรมศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

วิศวกรรมคอมพิวเตอร์

DOI

10.58837/CHULA.THE.2009.1491

Abstract

การจำแนกประเภทข้อมูลสำหรับข้อมูลอนุกรมเวลาเป็นเรื่องที่น่าสนใจสำหรับการวิจัยเนื่องจากสามารถนำไปใช้ได้กับหลาย ๆ โปรแกรมประยุกต์ในหลากหลายด้าน เช่น ด้านการแพทย์ ด้านการเงิน ด้านการบันเทิง และด้านอุตสาหรรมต่าง ๆ เพราะเหตุนี้จึงมีนักวิจัยเป็นจำนวนมากที่มุ่งศึกษาและพัฒนาวิธีที่จะนำมาแก้ปัญหาการจำแนกประเภทข้อมูล เช่น ต้นไม้การตัดสินใจ โครงข่ายประสาทเทียม เป็นต้น อย่างไรก็ตามวิธีที่ได้รับความนิยมและมีความแม่นยำสูงก็คือวิธีการจำแนกข้อมูลแบบเพื่อนบ้านใกล้สุดอันดับที่หนึ่งด้วยการวัดระยะทางแบบไดนามิกไทม์วอร์ปปิง แต่การใช้ไดนามิกไทม์วอร์ปปิงสำหรับการจำแนกประเภทข้อมูลนั้นต้องใช้เวลาในการคำนวณสูง นอกจากนั้นปริมาณของข้อมูลเรียนรู้ที่ต้องจัดเก็บในหน่วยเก็บข้อมูลถ้ามีจำนวนมากก็จะต้องมีพื้นที่ในการเก็บมาก ซึ่งในบางโปรแกรมประยุกต์ที่มีข้อจำกัดในด้านหน่วยเก็บข้อมูลก็จะไม่สามารถทำงานได้ ทำให้มีงานวิจัยเป็นจำนวนมากที่พยายามแก้ปัญหา โดยวิธีที่ใช้ส่วนมากก็คือการลดจำนวนข้อมูลเรียนรู้ จากประเด็นที่กล่าวมาจึงเป็นเหตุผลที่ทำให้เกิดงานวิจัยนี้ขึ้นมา โดยแนวคิดในงานวิจัยนี้คือการสร้างแผ่นแบบหรือตัวแทนกลุ่มที่สามารถแทนข้อมูลอนุกรมเวลาตัวอื่น ๆ ที่อยู่ในกลุ่มเดียวกันได้ สำหรับตัวแทนกลุ่มในงานวิจัยนี้ใช้การหาค่าเฉลี่ยรูปร่างของข้อมูลภายในกลุ่มโดยใช้การปรับแนวแบบไทม์วอร์ปปิงซึ่งเรียกวิธีการนี้ว่า ASA ซึ่งเป็นการลดจำนวนข้อมูลเรียนรู้ที่ต้องเก็บในหน่วยเก็บข้อมูลให้เหลือเพียงกลุ่มละหนึ่งอนุกรมเท่านั้น และยังเป็นการลดจำนวนครั้งในการคำนวณไดนามิกไทม์วอร์ปปิงเพราะการจำแนกประเภทข้อมูลอนุกรมเวลาหนึ่งอนุกรมก็ทำการเปรียบเทียบกับแผ่นแบบเท่านั้น ซึ่งในการทดลองนั้นวิธีการจำแนกประเภทข้อมูลโดยใช้ตัวแทนกลุ่มสามารถลดจำนวนข้อมูลที่ต้องจัดเก็บ และเวลาที่ใช้ในการจำแนกประเภทข้อมูลแต่ละตัวก็ลดลงหลายเท่ากว่าวิธีที่ใช้ในปัจจุบัน โดยที่ไม่ได้สูญเสียประสิทธิภาพในด้านความแม่นยำในการจำแนกประเภทข้อมูล

Other Abstract (Other language abstract of ETD)

Time series data classification is an interesting research topic because it can be applied to various fields such as medical, financial, entertainment, and industrial. For this reason, many researchers around the world research and develop various solutions for data classification such as decision trees, artificial neural networks, etc. However, one of the most popular and accurate methods is the One Nearest Neighbor classification using Dynamic Time Warping (DTW) distance measure, but utilizing DTW for data classification requires large computation time. In addition, the training data may require significant amount of storage. Therefore, some applications that have limited storage may not be suitable. Many researches try to solve this problem through the use of data reduction schemes to reduce the size of training data. From the reasons mentioned above, this research is originated on a template construction concept or a group representative which can represent all other sequences of the same class. The representative, in this research, is computed using a shape averaging technique with DTW alignment called Accurate Shape Average (ASA) on the training data of the same class. This technique reduces the training data storage requirement to only one sequence per class. In the experiment, template based data classification can significantly reduce data storage and computation time several times better than current methods without sacrificing classification accuracy.

Link to Full Text

Share

COinS