시계열 데이터 기반 공간 영역 및 시간적 특징의 확장 가능한 추론

지역화 (Regionalization) 는 유사한 특성을 공유하는 연결된 영역으로 공간 도메인을 분할하여 보다 효과적인 공간 분석, 정책 수립 및 자원 관리를 가능하게 합니다. 기존의 공간 지역화 접근법은 진화하는 시계열이 아닌 정적 공간 스냅샷에 의존합니다. 대부분의 시계열 클러스터링 방법은 공간 구조를 무시하거나, 사전에 명시적이거나 암시적으로 추론된 영역의 수를 제한하기 위해 아드 호크 (ad hoc) 정규화를 통해 공간 연속성을 강제합니다. 정보 이론의 최소 설명 길이 원리 (minimum description length principle) 를 활용하여, 우리는 공간 시계열의 지역화에 대해 효율적이고 완전히 비모수적 (nonparametric) 프레임워크를 제안합니다. 우리의 방법은 대표 시계열 아키텍처 ('drivers') 와 함께 공간 분할을 동시에 추론하며, 스포티오토포 (spatiotemporal) 데이터셋을 가장 잘 압축합니다. 실험 결과, 이 방법은 합성 시계열에서 식별된 지역 구조와 drivers 를 정확하게 복원할 수 있으며, 대규모 실증 대기 질 및 식생 지수 기록에서 의미 있는 구조적 규칙성을 추출할 수 있음을 입증했습니다. 우리의 방법은 해석 가능한 시간적 패턴과 균일한 영역이 데이터 자체에서 직접적으로 나타날 수 있도록 하는 원칙적이고 확장 가능한 공간적 연결 분할 프레임워크를 제공합니다.