基于最优传输的变点检测与时间序列片段聚类
信号处理
2020-02-24 v2 机器学习
摘要
时间序列分析中的两个常见问题是：将数据流分解为各自在某种意义下“同质”的不相交片段——即变点检测（CPD）问题；以及对相似的非相邻片段进行分组——我们称之为时间序列片段聚类（TSSC）问题。基于近期刻画 Wasserstein 双样本检验极限分布无关行为理论进展（Ramdas 等，2015），我们提出一种新颖的无监督、分布无关的 CPD 算法，适用于离线与在线设置。我们还引入一种减轻 CPD 中误报的方法，并通过对检测片段间的 Wasserstein 距离构建亲和矩阵进而应用谱聚类来解决 TSSC。在合成与真实数据集上的结果展示了该方法的优势。
引用
@article{arxiv.1911.01325,
title = {Optimal Transport Based Change Point Detection and Time Series Segment Clustering},
author = {Kevin C. Cheng and Shuchin Aeron and Michael C. Hughes and Erika Hussey and Eric L. Miller},
journal= {arXiv preprint arXiv:1911.01325},
year = {2020}
}