비지도 대조학습 시계열 인코더를 활용한 표현벡터 기반 시계열 유사도 분석 기법

Q: 이 논문에서 정의한 TS2Vec이란 무엇인가?

비지도 대조 학습 기반의 시계열 표현 벡터 추출 인코더다. 이는 레이블이 없는 시계열 데이터에서 데이터 간의 유사성이나 차이점을 학습하여, 시계열의 핵심 특징을 압축적으로 나타내는 고차원 표현 벡터를 생성하는 역할을 수행한다.

Q: TS2Vec 기반의 표현 벡터를 활용한 시계열 유사도 판별의 핵심 효과는 무엇인가?

연구 결과, 전체 구간의 평균적 특성이 아닌 임의의 타임 윈도우를 이동시키며 구간별 상세 유사도를 판별할 수 있다. 이를 통해 타깃 데이터와 유사도가 높은 소스 데이터셋 구간을 정확히 식별하여 전이학습의 효율성을 높일 수 있다.

최원준; 이상원; Max Langtry; Ruchi Choudhary

doi:10.6110/KJACR.2025.37.2.72

추천

검색

질문

자료유형: 학술저널

저자정보: 최원준 (전남대학교) 이상원 (Dartwork) Max Langtry (University of Cambridge) Ruchi Choudhary (University of Cambridge)

저널정보: 대한설비공학회 설비공학논문집 설비공학논문집 제37권 제2호

발행연도: 2025.2

수록면: 72 - 81 (10page)

DOI: 10.6110/KJACR.2025.37.2.72

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Data scarcity and high development costs pose significant challenges to building-specific energy demand forecasting models. To address these issues, this study introduces a time series similarity assessment method that utilizes TS2Vec, an unsupervised learning-based encoder for extracting time series representation vectors. The efficacy of this approach is demonstrated using anonymized datasets of building electricity usage from Cambridge, UK. The proposed methodology stands out for its ability to identify high-similarity data segments by flexibly adjusting the evaluation time window used for extracting representation vectors, outperforming traditional average similarity assessments. Principal component analysis was employed for dimensionality reduction and visualization, alongside a moving window cosine similarity approach to enhance the interpretability of complex multivariate time series data similarities. The study's key findings are as follows. First, dynamic similarity analysis effectively captured the complexity of building energy use patterns. Second, the approach demonstrated the potential to optimize transfer learning by automatically identifying the most suitable source data. Third, the study explored the feasibility of employing dynamic model selection and ensemble techniques based on temporal similarity changes. This study proposes a practical and scalable methodology to mitigate data scarcity and reduce model development costs, thereby facilitating more efficient, adaptive, and accurate energy demand forecasting.

#Deep learning(심층 학습) #Energy demand forecasting(에너지 요구량 예측) #Representation vector(표현벡터) #Transfer learning(전이학습) #Unsupervised contrastive learning(비지도 대조학습)

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)