基于片段类型刻画的时间序列聚类

时间序列聚类是按相似性 or 特征对时间序列进行分组的过程。以往方法通常结合特定的时间序列距离度量与标准聚类方法。然而，这些方法未考虑每个时间序列不同子序列的相似性，而该相似性可用于更好地比较数据集中时间序列对象。本文提出一种基于两阶段聚类的新型时间序列聚类技术。第一步，对每段时间序列应用最小二乘多项式分段过程，该过程基于增长窗口技术并返回不同长度的片段。随后，基于逼近片段的模型系数与一组统计特征，将所有片段投影至同一维空间。映射后，对所有映射片段施加首次层次聚类阶段，为每段时间序列返回片段组。在定义另一特定映射过程后，这些簇被用于在同一维空间中表示所有时间序列。在第二及最终聚类阶段，对所有时间序列对象进行分组。我们考虑内部聚类质量以自动调整算法主参数，即分段误差阈值。在来自 UCR 时间序列分类档案的 84 个数据集上所得结果已与两种 SOTA 方法比较，表明该方法性能极具前景。