基于线性高斯状态空间模型混合的EM算法的时间序列聚类
机器学习
2023-02-23 v3 计算机视觉与模式识别
统计理论
统计理论
摘要
在本文中，我们考虑在为每个簇建模的同时对一组独立时间序列进行聚类的任务，即基于模型的时间序列聚类。该任务需要一个具有足够灵活性以描述各种时间序列中动态变化的参数模型。为解决此问题，我们提出了一种新颖的基于模型的时间序列聚类方法，采用线性高斯状态空间模型混合，其具有高度灵活性。所提方法使用该混合模型的一种新期望最大化算法来估计模型参数，并利用贝叶斯信息准则确定簇的数量。在模拟数据集上的实验证明了该方法在聚类、参数估计和模型选择方面的有效性。该方法被应用于常用于评估时间序列聚类方法的真实数据集。结果表明，所提方法产生的聚类结果准确度与先前方法相当或更高。
引用
@article{arxiv.2208.11907,
title = {Time Series Clustering with an EM algorithm for Mixtures of Linear Gaussian State Space Models},
author = {Ryohei Umatani and Takashi Imai and Kaoru Kawamoto and Shutaro Kunimasa},
journal= {arXiv preprint arXiv:2208.11907},
year = {2023}
}