데이터 마이닝은 방대한 데이터 속에서 숨겨진 패턴과 유용한 정보를 발견하는 기술입니다. 그중에서도 공간 데이터 마이닝(Spatial Data Mining)과 시간 데이터 마이닝(Temporal Data Mining)은 각각 '공간'과 '시간'이라는 차원에 초점을 맞춘다는 점에서 뚜렷한 차이를 보입니다. 이 글에서는 두 기술의 개념, 핵심 목적, 주요 기법을 살펴보고 그 차이점을 정리해 드립니다.
공간 데이터 마이닝(Spatial Data Mining)
공간 데이터 마이닝은 데이터 마이닝 기법을 공간 모델에 적용하는 것을 말합니다. 분석가들은 지리적·공간적 기록을 활용하여 비즈니스 인텔리전스를 구축하거나 다양한 인사이트를 도출합니다. 이 과정에서는 원시 지리 정보를 관련성 있고 유용한 형태로 변환하기 위한 전문적인 기법과 도구가 반드시 필요합니다.
공간 데이터의 발전과 공간 데이터베이스의 광범위한 활용은 공간 지식 발견(Spatial Knowledge Discovery)을 크게 촉진했습니다. 공간 데이터 마이닝은 공간 데이터베이스로부터 예상치 못한, 그러나 잠재적으로 가치 있는 패턴을 식별하는 일련의 과정으로 이해할 수 있습니다.
다만 공간 데이터 마이닝에는 여러 가지 과제가 따릅니다. 연구 프로젝트의 목적에 부합하는 패턴을 인식하거나 관련 객체를 발견해야 하기 때문입니다. 분석가들은 GIS/GPS 도구나 유사한 시스템을 활용해 방대한 데이터베이스 필드 또는 초대규모 데이터 세트 속에서 필요한 데이터를 탐색하게 됩니다.
공간 데이터 마이닝 프로젝트의 궁극적인 목표는 단순한 통계적 우연, 무작위 공간 모델링, 무관한 결과를 배제하고 실제로 실행 가능한(actionable) 패턴을 구축하는 것입니다. 이를 위해 분석가들은 '동일 객체(same-object)' 또는 '객체 동등(object-equivalent)' 모델을 찾아내어 여러 지리적 영역 간의 정확한 비교를 수행하는 방법을 활용합니다.
시간 데이터 마이닝(Temporal Data Mining)
시간 데이터 마이닝은 대규모 시간 데이터 집합에서 사소하지 않고(non-trivial), 암묵적이며, 잠재적으로 중요한 정보를 추출하는 과정을 의미합니다. 시간 데이터는 일반적으로 숫자 값 같은 기본 데이터 유형의 연속이며, 이 기술은 시간 데이터로부터 유용한 지식을 얻어내는 데 초점을 맞춥니다.
시간 데이터 마이닝은 머신러닝, 통계학, 데이터베이스 기술의 다양한 기법을 결합하여 고차원 순차 데이터 안에서 시간적 패턴, 예상치 못한 추세, 숨겨진 관계를 발견하는 것을 목표로 합니다. 여기서 순차 데이터는 알파벳으로 구성된 명목 기호의 나열인 시간 시퀀스(temporal sequence)와 연속적인 실숫값 요소의 나열인 시계열(time series)로 구분됩니다.
시간 데이터 마이닝은 크게 세 가지 핵심 작업으로 구성됩니다.
- 시간 데이터의 표현(Description): 시간 데이터를 분석 가능한 형태로 기술하고 구조화
- 유사도 측정(Similarity Measures)의 정의: 시퀀스 간 유사성을 판단하는 기준 수립
- 마이닝 서비스(Mining Services): 패턴 발견 및 분석 결과 제공
또한 시간 데이터 마이닝은 여러 시점에 걸쳐 동일한 속성의 값을 기록한 레코드 시퀀스, 즉 시간 시퀀스를 처리하는 작업을 포함합니다. 이러한 데이터를 활용해 관심 있는 특정 패턴을 찾아내는 패턴 매칭 기법은 최근 몇 년간 학계와 산업계에서 큰 주목을 받고 있습니다.
아울러 시간 데이터 마이닝은 시간 데이터베이스를 위해 개발된 고효율 데이터 저장 기술, 빠른 처리 방식, 신속한 검색 방법론을 적극적으로 활용할 수 있다는 장점이 있습니다.
두 기술의 핵심 차이점 요약
요컨대 공간 데이터 마이닝은 '어디(where)'에 초점을 두고 지리적 위치와 공간적 관계 속에서 패턴을 발견하는 반면, 시간 데이터 마이닝은 '언제(when)'에 초점을 두고 시간의 흐름에 따른 변화와 순차적 패턴을 발굴합니다. 전자는 GIS/GPS 기반의 지리 정보 분석에 적합하고, 후자는 센서 로그, 금융 거래, 기상 기록처럼 시간 축을 따라 축적된 데이터 분석에 강점을 보입니다. 두 기술은 서로 다른 차원을 다루지만, 함께 결합하면 시공간(spatio-temporal) 분석이라는 더욱 강력한 인사이트를 제공할 수 있습니다.