가변 길이 시계열의 표현 학습을 통한 분류 및 산업 데이터 분석 연구

Classification of Variable-Length Time Series via Representation Learning

연구 내용

가변 길이 시계열을 2D 픽셀 표현으로 변환해 분류 모델 입력 문제를 해결하고, 정규화의 부작용을 검증하는 방법을 제시하는 연구

시계열 데이터가 제조, 센서 기반 인간 활동 인식 등 다양한 영역에서 발생하지만 표본 길이가 가변적이라는 점에서 분류 모델의 입력 제약이 문제가 됩니다. 이를 해결하기 위해 각 시간 스텝의 값을 2D 표현으로 매핑하는 Time series Into Pixels(TIP) 기반 표현을 구성합니다. 이후 비전 백본 없이도 간단한 2D CNN 구조로 분류 성능을 확인하고, 길이 정규화 전처리가 가변 길이 환경에서 데이터 무결성을 해칠 수 있음을 실험적으로 점검합니다. 또한 산업데이터 실증 및 작업 노하우 디지털 라이브러리 관리 플랫폼과 연계하여, 운영 데이터의 구조화와 분석 파이프라인 구축 역량을 확장합니다.

관련 프로젝트

5건

연구 흐름

먼저 가변 길이 시계열을 고정 길이 입력으로 강제 변환하는 방식의 한계를 확인하고, 시간 축과 값 축을 결합한 2D 표현으로 데이터 무결성을 유지하는 접근을 제안했습니다. 이후 간단한 2D CNN을 적용하여 다양한 기준 데이터에서 분류 정확도와 정밀도 향상을 관찰하며 표현의 범용성을 검증했습니다. 최근에는 산업데이터 표준 실증과 작업 노하우 디지털 라이브러리 관리 과제를 통해, 분석 가능한 데이터 구조와 플랫폼 수준의 운영 체계를 마련하는 방향으로 연구를 확장하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

가변 길이 센서 데이터 분류
제조 공정 이상 징후 탐지
작업자 행동 패턴 인식
현장 운영 로그 표준화
데이터 무결성 기반 전처리 설계
모바일·엣지 입력 데이터 분석
지능형 설비 상태 추정 고도화
디지털 라이브러리 기반 학습 데이터 관리
상호운용성 중심 산업 데이터 플랫폼
웹 기반 분석 대시보드 구현