基于特征的时间序列聚类方法研究进展

被引：28

作者：

宋辞

裴韬

机构：

[1] 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室

来源：

地理科学进展 | 2012年 / 31卷 / 10期

关键词：

时间序列; 时间序列特征; 数据挖掘; 聚类;

D O I：

暂无

中图分类号：

O211.61 [平稳过程与二阶矩过程];

学科分类号：

020208 ; 070103 ; 0714 ;

摘要：

时间序列聚类可以根据相似性将对象集分为不同的组,从而反映出同组对象的相似性特征和不同组对象之间的差异特征。当序列维度较高时,传统的时间序列聚类方法容易受噪声影响,难以定义合适的相似性度量,聚类结果往往意义不明确。当数据有缺失或不等长时,聚类方法也难以实施。基于上述问题,一些学者提出了基于特征的时间序列聚类方法,不仅可以解决上述问题,还可以发现序列本质特征的相似性。本文根据时间序列的不同特征,综述了基于特征的时间序列聚类方法的研究进展,并进行了分析和评述;最后对未来研究进行了展望。

引用

页码：1307 / 1317

页数：11

共 15 条

[1]

Comparing Several Parametric and Nonparametric Approaches to Time Series Clustering: A Simulation Study[J] . Sonia Pértega Díaz,José A. Vilar.Journal of Classification . 2010 (3)

[2]

Data clustering: 50 years beyond K-means[J] . Anil K. Jain.Pattern Recognition Letters . 2009 (8)

[3] Time series clustering based on forecast densities [J].

Alonso, A. M. ;

Berrendero, J. R. ;

Hernandez, A. ;

Justel, A. .

COMPUTATIONAL STATISTICS & DATA ANALYSIS, 2006, 51 (02) :762-776

[4] Characteristic-based clustering for time series data [J].

Wang, Xiaozhe ;

Smith, Kate ;

Hyndman, Rob .

DATA MINING AND KNOWLEDGE DISCOVERY, 2006, 13 (03) :335-364

[5] Clustering of time series data - a survey [J].

Liao, TW .

PATTERN RECOGNITION, 2005, 38 (11) :1857-1874

[6] Exact indexing of dynamic time warping [J].

Keogh, E ;

Ratanamahatana, CA .

KNOWLEDGE AND INFORMATION SYSTEMS, 2005, 7 (03) :358-386

[7] Time-frequency clustering and discriminant analysis [J].

Shumway, RH .

STATISTICS & PROBABILITY LETTERS, 2003, 63 (03) :307-314

[8]

On the Need for Time Series Data Mining Benchmarks: A Survey and Empirical Demonstration[J] . Eamonn Keogh,Shruti Kasetty.Data Mining and Knowledge Discovery . 2003 (4)

[9] Bayesian clustering by dynamics [J].

Ramoni, M ;

Sebastiani, P ;

Cohen, P .

MACHINE LEARNING, 2002, 47 (01) :91-121

[10]

Cluster of Time Series[J] . E.A. Maharaj.Journal of Classification . 2000 (2)

← 1 2 →