基于全局预测模型预测精度的时间序列聚类
机器学习
2023-05-02 v1 机器学习
统计方法学
摘要
本文提出了一种基于模型的时间序列聚类新方法。该过程依赖于两个迭代步骤：（i）通过合并各簇所含序列，拟合 K 个全局预测模型；（ii）根据特定准则，将每个序列分配给产生最佳预测结果的模型所对应的组。与文献中多数技术不同，该方法将预测精度作为构建聚类划分的主要依据，所得分组共同最小化整体预测误差。因此，该方法引出了一种新的聚类范式，其中聚类解的质量以其预测能力来衡量。此外，该过程产生了一种在时间序列数据库中选择簇数的有效机制，并可与任意类别的回归模型结合使用。广泛的模拟研究表明，我们的方法在聚类有效性与预测精度上均优于若干替代技术。该方法还被应用于时间序列文献中作为标准基准的多个数据集的聚类，取得了优异结果。
引用
@article{arxiv.2305.00473,
title = {Time series clustering based on prediction accuracy of global forecasting models},
author = {Ángel López Oriona and Pablo Montero Manso and José Antonio Vilar Fernández},
journal= {arXiv preprint arXiv:2305.00473},
year = {2023}
}