การเปรียบเทียบมาตรวัดระยะห่างในการวิเคราะห์การจัดกลุ่มสำหรับข้อมูลอนุกรมเวลา
Article Sidebar
เผยแพร่แล้ว:
ก.ค. 24, 2019
คำสำคัญ:
มาตรวัดระยะห่าง การวิเคราะห์การจัดกลุ่ม ข้อมูลอนุกรมเวลา
Main Article Content
บทคัดย่อ
บทคัดย่อ
การคำนวณหาระยะห่างระหว่างข้อมูลถือเป็นขั้นตอนสำคัญของการวิเคราะห์การจัดกลุ่ม (cluster analysis) ทั้งนี้การค้นหามาตรวัดที่เหมาะสมถือเป็นกระบวนการสำคัญเมื่อวิเคราะห์การจัดกลุ่มสำหรับข้อมูลอนุกรมเวลา เนื่องจากการเลือกใช้วิธีคำนวณระยะห่างระหว่างข้อมูลที่แตกต่างกันสามารถส่งผลให้ผลลัพธ์ของการจัดกลุ่มแตกต่างกัน งานวิจัยนี้เป็นการเปรียบเทียบประสิทธิภาพของวิธีการจัดกลุ่มข้อมูลด้วยวิธีวัดระยะห่างสำหรับข้อมูลอนุกรมเวลา 8 วิธี ประกอบด้วย (1) Euclidean (2) Minkowski (3) dynamic time warping (4) Chouakria-Douzal (5) Piccolo (6) Maharaj (7) discrete wavelet transform และ (8) cepstral-based distance โดยการเปรียบเทียบทั้งในส่วนของข้อมูลจำลองและข้อมูลจริง ในส่วนของข้อมูลจำลองที่ใช้ในการศึกษานั้นสร้างมาจากตัวแบบ ARIMA จำนวนทั้งสิ้น 14 ตัวแบบ และในส่วนข้อมูลจริงนั้นได้นำราคาปิดรายวันของ 68 หลักทรัพย์ ที่ผ่านการคัดเลือก 100 อันดับแรก ในตลาดหลักทรัพย์แห่งประเทศไทย (SET100) ในระหว่างเดือนมกราคมถึงเดือนเมษายน ปี พ.ศ. 2561 มาใช้ในการเปรียบเทียบ ผลการศึกษาพบว่ามาตรวัดระยะแบบ Dynamic Time Warping ให้ประสิทธิภาพในการจัดกลุ่มดีที่สุดทั้งในชุดข้อมูลจริงและชุดข้อมูลจำลอง
คำสำคัญ : มาตรวัดระยะห่าง; การวิเคราะห์การจัดกลุ่ม; ข้อมูลอนุกรมเวลา
Article Details
ประเภทบทความ
Physical Sciences
เอกสารอ้างอิง
[1] กัลยา วานิชย์บัญชา, 2551, การวิเคราะห์ข้อมูลหลายตัวแปร, พิมพ์ครั้งที่ 3, ธรรมสาร, กรุงเทพฯ.
[2] สุชาติ ประสิทธิ์รัฐสินธุ์, 2540, เทคนิคการวิเคราะห์ตัวแปรหลายตัวสําหรับการวิจัยทางสังคมศาสตร์, พิมพ์ครั้งที่ 4, บริษัท เฟื่องฟ้า พริ้นติ้ง จํากัด, กรุงเทพฯ.
[3] Patidar, A.K., Agrawal, J. and Mishra, N., 2012, Analysis of different similarity measure functions and their impacts on shared nearest neighbor clustering approach, Int. J. Comp. Appl. 40(16): 1-5.
[4] Tong, H. and Dabas, P., 1990, Cluster of time series models: An example, J. Appl. Stat. 17: 187-198.
[5] Rani, S. and Sikka, G., 2012, Recent techniques of clustering of time series data: A survey, Int. J. Comp. Appl. 52(15): 1-9.
[6] Galeano, P. and Peña, D.P., 2000, Multivariate analysis in vector time series, Resenhas do Instituto de Matemática e Estatística da Universidade de São Paulo 4: 383-403.
[7] Keogh, E. and Kasetty, S., 2003, On the need for time series data mining benchmarks: A survey and empirical demonstration, Data Min. Knowl. Disc. 7: 349-371.
[8] Wang, X., Mueen, A., Ding, H., Trajcevski, G., Scheuermann, P. and Keogh, E., 2013, Experimental comparison of representa tion methods and distance measures for time series data, Data Min. Knowl. Disc. 26: 275-309.
[9] Kianimajd, A., Ruano, M.G., Carvalho, P., Henriques, J., Rocha, T., Paredes, S. and Ruano, A.E., 2017, Comparison of different methods of measuring similarity in physiologic time series, IFAC-Papers On Line 50(1): 11005-11010.
[10] Sankoff, D., 1983, Time Warps, String Edits and Macromolecules, The Theory and Practice of Sequence Comparison, Reading.
[11] Chouakria, A.D. and Nagabhushan, P.N., 2007, Adaptive dissimilarity index for measuring time series proximity, Adv. Data Anal. Classif. 1: 5-21.
[12] Piccolo, D., 1990, A distance measure for classifying ARIMA models, J. Time Ser. Anal. 11: 153-164.
[13] Maharaj, E.A., 1996, A significance test for classifying ARMA models, J. Stat. Comp. Simul. 54: 305-331.
[14] Maharaj, E.A., 2000, Cluster of time series, J. Classif. 17: 297-314.
[15] Shasha, D. and Zhu, Y., 2004, High Performance Discovery in Time Series: Techniques and Case Studies, Ph.D. Thesis, Available Source: https://cs.nyu.edu/media/publications/zhu_yunyue.pdf.
[16] Wei, W.S., 2006, Time Series Analysis: Univariate and Multivariate Methods, Pearson Addison Wesley, 605 p.
[17] Kalpakis, K., Gada, D. and Puttagunta, V., 2001, Distance measures for effective clustering of ARIMA time-series, pp. 273-280, In Data Mining, ICDM 2001, IEEE International Conference.
[18] Díaz, S.P. and Vilar, J.A., 2010, Comparing several parametric and nonparametric approaches to time series clustering: A simulation study, J. Classif. 27: 333-362.
[19] Khan, A., Khan, K. and Baharudin, B.B., 2009, Frequent patterns mining of stock data using hybrid clustering association algorithm, pp. 667-671, In Information Management and Engineering, ICIME 2009, International Conference.
[20] Kremer, H., Gunnemann, S. and Seidl, T., 2010, Detecting climate change in multivariate time series data by novel clustering and cluster tracing techniques, pp. 96-97, In Data Mining Workshops (ICDMW), 2010 IEEE International Conference.
[21] Niennattrakul, V. and Ratanamahatana, C.A., 2007, On clustering multimedia time series data using K-means and dynamic time warping, pp. 733-738, IEEE.
[22] Jixue, D., 2009, Data mining of time series based on wave cluster, pp. 697-699, In Information Technology and Applications, IFITA 2009, International Forum, IEEE.
[23] Verdoolaege, G. and Rosseel, Y., 2010, Activation detection in event-related fMRI through clustering of wavelet distributions, pp. 4393-4396, In Image Processing (ICIP), 2010 17th IEEE International Conference.
[24] Baragona, R., 2001, A simulation study on clustering time series with metaheuristic methods, Quaderni di Statistica 3: 1-26.
[25] Lhermitte, S., Verbesselt, J., Verstraeten, W.W. and Coppin, P., 2011, A comparison of time series similarity measures for classification and change detection of ecosystem dynamics, Remote Sens. Environ. 115: 3129-3152.
[26] Shumway, R.H. and Stoffer, D.S., 2010, Time Series Analysis and Its Applications with R Examples, 3rd Ed., Springer, 576 p.
[27] Cuturi, M., 2011, Fast global alignment Kernels), pp. 929-936, In 28th International Conference on Machine Learning (ICML-11).
[28] Cuturi, M. and Blondel, M., 2017, Soft-DTW: A differentiable loss function for time-series, pp. 894-903, In 34th International Conference on Machine Learning.
[2] สุชาติ ประสิทธิ์รัฐสินธุ์, 2540, เทคนิคการวิเคราะห์ตัวแปรหลายตัวสําหรับการวิจัยทางสังคมศาสตร์, พิมพ์ครั้งที่ 4, บริษัท เฟื่องฟ้า พริ้นติ้ง จํากัด, กรุงเทพฯ.
[3] Patidar, A.K., Agrawal, J. and Mishra, N., 2012, Analysis of different similarity measure functions and their impacts on shared nearest neighbor clustering approach, Int. J. Comp. Appl. 40(16): 1-5.
[4] Tong, H. and Dabas, P., 1990, Cluster of time series models: An example, J. Appl. Stat. 17: 187-198.
[5] Rani, S. and Sikka, G., 2012, Recent techniques of clustering of time series data: A survey, Int. J. Comp. Appl. 52(15): 1-9.
[6] Galeano, P. and Peña, D.P., 2000, Multivariate analysis in vector time series, Resenhas do Instituto de Matemática e Estatística da Universidade de São Paulo 4: 383-403.
[7] Keogh, E. and Kasetty, S., 2003, On the need for time series data mining benchmarks: A survey and empirical demonstration, Data Min. Knowl. Disc. 7: 349-371.
[8] Wang, X., Mueen, A., Ding, H., Trajcevski, G., Scheuermann, P. and Keogh, E., 2013, Experimental comparison of representa tion methods and distance measures for time series data, Data Min. Knowl. Disc. 26: 275-309.
[9] Kianimajd, A., Ruano, M.G., Carvalho, P., Henriques, J., Rocha, T., Paredes, S. and Ruano, A.E., 2017, Comparison of different methods of measuring similarity in physiologic time series, IFAC-Papers On Line 50(1): 11005-11010.
[10] Sankoff, D., 1983, Time Warps, String Edits and Macromolecules, The Theory and Practice of Sequence Comparison, Reading.
[11] Chouakria, A.D. and Nagabhushan, P.N., 2007, Adaptive dissimilarity index for measuring time series proximity, Adv. Data Anal. Classif. 1: 5-21.
[12] Piccolo, D., 1990, A distance measure for classifying ARIMA models, J. Time Ser. Anal. 11: 153-164.
[13] Maharaj, E.A., 1996, A significance test for classifying ARMA models, J. Stat. Comp. Simul. 54: 305-331.
[14] Maharaj, E.A., 2000, Cluster of time series, J. Classif. 17: 297-314.
[15] Shasha, D. and Zhu, Y., 2004, High Performance Discovery in Time Series: Techniques and Case Studies, Ph.D. Thesis, Available Source: https://cs.nyu.edu/media/publications/zhu_yunyue.pdf.
[16] Wei, W.S., 2006, Time Series Analysis: Univariate and Multivariate Methods, Pearson Addison Wesley, 605 p.
[17] Kalpakis, K., Gada, D. and Puttagunta, V., 2001, Distance measures for effective clustering of ARIMA time-series, pp. 273-280, In Data Mining, ICDM 2001, IEEE International Conference.
[18] Díaz, S.P. and Vilar, J.A., 2010, Comparing several parametric and nonparametric approaches to time series clustering: A simulation study, J. Classif. 27: 333-362.
[19] Khan, A., Khan, K. and Baharudin, B.B., 2009, Frequent patterns mining of stock data using hybrid clustering association algorithm, pp. 667-671, In Information Management and Engineering, ICIME 2009, International Conference.
[20] Kremer, H., Gunnemann, S. and Seidl, T., 2010, Detecting climate change in multivariate time series data by novel clustering and cluster tracing techniques, pp. 96-97, In Data Mining Workshops (ICDMW), 2010 IEEE International Conference.
[21] Niennattrakul, V. and Ratanamahatana, C.A., 2007, On clustering multimedia time series data using K-means and dynamic time warping, pp. 733-738, IEEE.
[22] Jixue, D., 2009, Data mining of time series based on wave cluster, pp. 697-699, In Information Technology and Applications, IFITA 2009, International Forum, IEEE.
[23] Verdoolaege, G. and Rosseel, Y., 2010, Activation detection in event-related fMRI through clustering of wavelet distributions, pp. 4393-4396, In Image Processing (ICIP), 2010 17th IEEE International Conference.
[24] Baragona, R., 2001, A simulation study on clustering time series with metaheuristic methods, Quaderni di Statistica 3: 1-26.
[25] Lhermitte, S., Verbesselt, J., Verstraeten, W.W. and Coppin, P., 2011, A comparison of time series similarity measures for classification and change detection of ecosystem dynamics, Remote Sens. Environ. 115: 3129-3152.
[26] Shumway, R.H. and Stoffer, D.S., 2010, Time Series Analysis and Its Applications with R Examples, 3rd Ed., Springer, 576 p.
[27] Cuturi, M., 2011, Fast global alignment Kernels), pp. 929-936, In 28th International Conference on Machine Learning (ICML-11).
[28] Cuturi, M. and Blondel, M., 2017, Soft-DTW: A differentiable loss function for time-series, pp. 894-903, In 34th International Conference on Machine Learning.
