多元时间序列数据聚类:分量属性近邻传播算法
87 浏览量
更新于2024-08-29
1
收藏 286KB PDF 举报
"基于分量属性近邻传播的多元时间序列数据聚类方法"
本文提出了一种创新的聚类方法,针对多元时间序列数据的分析挑战。传统的聚类技术往往难以处理这种复杂的数据类型,而该方法引入了动态时间弯曲(Dynamic Time Warping, DTW)算法来计算不同序列之间的总体距离,从而克服这一难题。DTW是一种广泛用于时间序列比较的非线性距离度量方法,它允许两个序列在时间轴上进行灵活的对齐,以便准确地捕捉到它们的相似性。
接着,文章介绍了近邻传播(Affinity Propagation, AP)聚类算法的应用。AP算法不是基于预先设定的簇数,而是让每个数据点都有可能成为“模范点”,通过信息交换来寻找最优的聚类结构。在此基础上,该方法分别对总体距离矩阵和分量近似距离矩阵进行聚类分析,这使得可以从两个不同的角度理解序列之间的关联。
在对总体距离矩阵进行聚类后,作者们进一步关注于各个分量属性,即时间序列中的各个维度。通过对这些重要分量属性序列之间的关联关系进行分析,他们能够更深入地理解数据的内在结构,并且提升聚类的质量。这样做不仅能够反映总体数据特征之间的关系,还能通过关键分量的聚类增强原始时间序列数据的聚类效果。
实验结果显示,该方法相较于传统聚类方法具有显著优势,尤其是在揭示数据间的复杂关联和提高聚类精度方面。因此,这种方法对于需要深入分析多元时间序列数据的领域,如金融数据分析、生物医学信号处理、气象预测等,具有重要的理论和实践价值。
关键词:多元时间序列、聚类分析、近邻传播、动态时间弯曲、分量属性
中图分类号:TP273,反映了该研究属于计算机科学技术的模式识别与机器智能领域。
文献标志码:A,表示该文具有较高的学术价值或应用价值。
2021-07-06 上传
2021-08-10 上传
2019-09-08 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
weixin_38688145
- 粉丝: 3
- 资源: 962
最新资源
- VIM用户手册与示例
- VC++ SHU JU LEI XING
- 楼盘销售系统参考资料
- ARM中文指令。ARM中文指令。
- Struts in Action 中文版.pdf
- 网站建设需求分析文档.doc
- 嵌入式Linux系统的移植及其根文件系统的实现
- 侯捷-java编程思想.pdf
- java 报表开发指南
- 需求分析说明书实例+范例+非常详细
- poriting linux kernel to a new arm platform
- 超市商品管理系统需求分析
- 软件开发需求分析模板下载
- CCIE Routing & Switching Case Study
- ArcGIS Geodatabase.pdf
- ArcGIS Server JAVA API.pdf