跨越鸿沟：时间序列聚类方法的十年回顾综述
机器学习
2024-12-31 v1 人工智能
数据库
摘要
时间序列作为序列数据的基本表征形式，已在计算机科学、生物学、地质学、天文学和环境科学等多个领域得到广泛研究。先进的感知、存储与网络技术的出现导致高维时间序列数据的生成，然而这对在长时间尺度上分析潜在结构提出了重大挑战。时间序列聚类作为一种已建立的无监督学习策略，通过聚合相似的时间序列，帮助揭示这些复杂数据集中的隐藏模式。本综述追溯了从经典方法到近期神经网络技术在时间序列聚类方法演进的脉络。虽然以往综述仅聚焦于特定方法范畴，但本文尝试搭建传统聚类方法与新兴深度学习算法之间的鸿沟，提出该研究领域的全面、统一分类框架。本综述概述了关键性进展，为引导未来时间序列聚类研究提供了洞见。
引用
@article{arxiv.2412.20582,
title = {Bridging the Gap: A Decade Review of Time-Series Clustering Methods},
author = {John Paparrizos and Fan Yang and Haojun Li},
journal= {arXiv preprint arXiv:2412.20582},
year = {2024}
}