基于模型的个体生态瞬时评估时间序列数据聚类以提升预测性能

通过生态瞬时评估（EMA）研究，可在多个个体上收集若干时间序列数据，持续监测情绪行为的各类指标。此类复杂数据通常在个体层面使用个性化模型进行分析。然而，人们认为相似个体的额外信息有可能增强这些模型，从而更好地刻画个体。因此，本文研究聚类方法，旨在将最相似的个体归为一组，随后在基于组的模型中使用该信息，以改善个体的预测性能。具体而言，考察了两种基于模型的聚类方法：第一种利用个性化模型提取的参数，第二种则基于模型的预测性能进行优化。随后使用内在聚类评估指标（如轮廓系数）以及下游预测方案的性能对两种方法进行分析，其中每个预测组模型用于描述属于同一聚类的所有个体。其中，基于性能的聚类在所有考察的评估指标上均表现出最佳结果。作为另一层面的评估，将这些组模型的性能与三种基线情景进行比较：个性化、全合一组和随机基于组的方案。根据该比较，再次确认了基于聚类方法的优越性，表明利用基于组的信息可有效提升所有个体数据的整体性能。