FCPCA：基于共同主成分分析的高维时间序列模糊聚类
统计方法学
2025-09-05 v1 应用统计
机器学习
摘要
多元时间序列数据的聚类是许多领域中的一项关键任务，因为它能够识别时间演化数据中的有意义模式和群组。传统方法，如硬聚类，依赖于簇之间充分分离且重叠很少的假设。然而，现实世界的数据常常违背这一假设，表现出重叠的分布或重叠的点云以及簇之间的模糊边界。模糊聚类通过允许部分隶属于多个簇，提供了一种引人注目的替代方案，使其非常适合这些模糊不清的场景。尽管有其优势，当前的模糊聚类方法主要关注单变量时间序列，而对于多变量情况，即使是中等维度的数据集在计算上也变得难以处理。当处理不等长的时间序列时，这一挑战进一步加剧，从而在解决现代数据集的复杂性方面留下了明显的空白。本文引入了一种基于共同主成分分析的新型模糊聚类方法，以解决上述不足。我们的方法具有通过降维同时保留关键时间特征来高效处理高维多元时间序列的优势。广泛的数值结果表明，我们提出的聚类方法优于文献中的几种现有方法。一项涉及来自模拟驾驶实验中不同驾驶员脑信号的有趣应用，展示了该方法的潜力。
引用
@article{arxiv.2505.07276,
title = {FCPCA: Fuzzy clustering of high-dimensional time series based on common principal component analysis},
author = {Ziling Ma and Ángel López-Oriona and Hernando Ombao and Ying Sun},
journal= {arXiv preprint arXiv:2505.07276},
year = {2025}
}