通过网络中的社区发现进行时间序列聚类

在本文中，我们提出了一种利用复杂网络中的社区发现进行时间序列聚类的技术。首先，我们提出了一种使用不同距离函数将一组时间序列转换为网络的方法，其中每个时间序列由一个顶点表示，最相似的顶点相互连接。然后，我们应用社区发现算法来识别强连接顶点组（称为社区），从而识别出时间序列簇。此外，本文对时间序列距离函数、网络生成方法和社区发现技术的各种组合对聚类结果的影响进行了全面分析。实验研究表明，所提出的基于网络的方法在所考虑的各种经典或最新聚类技术下取得了更好的结果。统计检验证实，所提出的方法在多个数据集上优于一些经典聚类算法，如 $k$-medoids、diana、median-linkage 和 centroid-linkage。有趣的是，由于在聚类过程中构建的底层网络的拓扑结构，所提出的方法能够有效地检测时间序列中呈现的形状模式。同时，其他技术无法识别此类模式。此外，所提出的方法具有足够的鲁棒性，能够对呈现相似模式但具有时间平移和/或幅度变化的时间序列进行分组。总而言之，所提出方法的核心要点是将时间序列从时域转换到拓扑域。因此，我们希望我们的方法不仅有助于时间序列聚类，而且有助于一般的时间序列分析任务。