基于图自编码器框架中的高斯混合嵌入进行时间序列聚类
机器学习
2024-11-27 v1 人工智能
信号处理
摘要
时间序列数据分析在金融、医疗和环境监测等多个领域广泛应用。传统的时间序列聚类方法往往难以捕捉此类数据中固有的复杂时序依赖关系。本文提出了一种基于图结构的时间序列聚类方法——变分混合图自编码器（VMGAE），该方法利用图的结构优势来捕捉数据之间的丰富关系，并生成高斯混合嵌入，以实现更好的类别可分性。本文包含与基线方法的比较，实验结果表明，我们的方法在时间序列聚类技术中显著优于当前最先进的方法。我们进一步在真实的金融数据上对方法进行了验证，突出了其在金融领域的实际应用价值。通过揭示股票市场中的社区结构，本方法为股票关系的深入理解提供了动力，这对于市场预测、投资组合优化和风险管理具有重要意义。
引用
@article{arxiv.2411.16972,
title = {Clustering Time Series Data with Gaussian Mixture Embeddings in a Graph Autoencoder Framework},
author = {Amirabbas Afzali and Hesam Hosseini and Mohmmadamin Mirzai and Arash Amini},
journal= {arXiv preprint arXiv:2411.16972},
year = {2024}
}
备注
First two listed authors have equal contribution. Author ordering is determined by coin flip