k-Shape: Efficient and Accurate Clustering of Time Series解读

最新推荐文章于 2025-09-29 15:03:46 发布
原创 最新推荐文章于 2025-09-29 15:03:46 发布 · 4.4k 阅读 · 19 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#时间序列聚类 #k-Shape

k-Shape: Efficient and Accurate Clustering of Time Series

John Paparrizos Luis Gravano Columbia University
ACM SIGMOD 2015

主要贡献

  • 提出一种新的对尺度和漂移具有不变性的距离度量
  • 提出一种新的计算聚类中心的方法
  • 提出一种通用性强的时间序列聚类算法——k-shape算法
  • 通过实验验证算法为state-of-the-art

目前聚类算法存在的问题

  • 无法处理大的数据集，计算复杂度高
  • 通用性不好，一般只针对特定问题有效

时间序列比较的关键问题——处理各种distortions(扭曲？)

  • Scaling and transform invariances 量纲不同、映射不变性
  • Shift invariances 序列相似但是存在相位漂移
  • Uniform scaling invariance 序列的长度不一致(压缩、拉伸)
  • Occlusion invariance 序列存在缺失

本文主要解决前两个问题，第一个问题通过z-normalization可以解决。

基于互相关的度量SBD——解决相位漂移问题

固定序列y，移动序列x，找到最佳匹配

最低0.47元/天 解锁文章
【时序聚类】论文解读k-Shape: Efficient and Accurate Clustering of Time Series
风雨潇潇一书生
03-04 7999
k-Shape: Efficient and Accurate Clustering of Time Series 【论文解读有不正确之处欢迎指正】 论文来源：https://dl.acm.org/doi/10.1145/2949741.2949758 论文来自于2016年ACM SIGMOD（有说是2015年，没具体去查）， 论文下载：http://www.cs.columbia.edu...
时序聚类论文|k-Shape: Efficient and Accurate Clustering of Time Series
Wdradon的博客
10-11 3219
k-Shape: Efficient and Accurate Clustering of Time Series提要PRELIMINARIES基本概念时间序列距离度量时序聚类算法时间序列的平均技术（簇质心）K-shape聚类算法时间序列的形状相似性互相关度量（Cross-correlation measure）互相关度量的规范化问题 提要 k-Shape依赖于一个可伸缩的迭代细化过程，该过程创建均匀且分离良好的簇。作为距离度量，K形使用互相关度量的归一化版本，以便在比较它们的同时考虑时间序列的形状。基于距
23、时间序列聚类算法：k-Shape、k-Means与HDBSCAN的比较
最新发布
code8的博客
09-29 88
本文系统比较了k-Shape、k-Means和HDBSCAN三种时间序列聚类算法在多个数据集上的性能。通过在ECG5000等85个UCR时间序列数据集上的实验，评估了各算法在训练集和测试集上的调整兰德指数，并分析了其在不同数据分布、长度和复杂度下的表现。结果表明，k-Means平均性能最优但并非适用于所有场景，而k-Shape和HDBSCAN在特定条件下更具优势。文章还提供了基于数据特点、规模和计算资源的算法选择建议，并展望了未来改进方向。
时间序列聚类算法论文《k-Shape: Efficient and Accurate Clustering of Time Series》
Chauncy的博客
09-09 5533
ABSTRACT   聚类是最流行的数据挖掘方法之一。这不仅仅是因为聚类问题具有很强的探索性，还因为它可以作为其他技术的预处理步骤或子过程。本文提出一种的新的时间序列聚类算法——K-shape算法。该算法依赖于一个可度量的迭代优化过程，创建同构的、分割良好的群簇。K-shape聚类算法依赖使用了规范化之后的互相关系数作为距离的度量，在每次迭代中使用它来更新聚类对聚类时间序列的分配。 1. INTRODUCTION   聚类是应用非常广泛的一项技术，因为它不需要监督和数据标注。   大多数时间序列分析技术，包
时间序列聚类算法-《k-Shape: Efficient and Accurate Clustering of Time Series》解读
qq_28900249的博客
11-13 2万+
摘要 本文提出了一个新颖的时间序列聚类算法k-shape，该算法的核心是迭代增强过程，可以生成同质且较好分离的聚类。该算法采用标准的互相关距离衡量方法，基于此距离衡量方法的特性，提出了一个计算簇心的方法，在每一次迭代中都用它来更新时间序列的聚类分配。作者通过大量和具有最好距离衡量方法的划分聚类，分层聚类，谱聚类比较的实验证明k-shape的鲁棒性。总之，k-shape是准确、高效的时间序列算法。...
关于序列数据的分类方法K-Shape clustering algorithm
qq_28925089的博客
03-30 913
8、Energy Load Forecast Using S2S Deep Neural Networks with k-Shape Clustering
qq_34514046的博客
09-01 740
用S2S深度神经网络预测能量负荷具有k形聚类的网络 特别是长短期记忆（LSTM）具有序列到序列（S2S）架构的算法。 我们在预测聚合时，提高预测准确性通过使用k-Shape聚类算法加载网络创建更容易预测的消费者群体 本文中描述的方法在现实世界数据上进行了测试斯洛伐克企业的用电量。 电力消费者通常都有随机行为，使个人消费需求变得艰难预测。为了解决这个问题的消费数据 是汇总的。出于这个原因，使...
论文阅读_时序聚类K-Shape
谢彦的技术博客
12-26 4955
基本信息 论文题目：k-Shape: Efficient and Accurate Clustering of Time Series 论文地址：https://dl.acm.org/doi/10.1145/2949741.2949758 相关源码：https://github.com/tslearn-team/tslearn/ 用法示例：https://tslearn.readthedocs.io/en/stable/auto_examples/clustering/plot_kshape.htm
k-Shape：高效准确的聚类方法
weixin_44028734的博客
03-06 1449
时间数据在许多学科中的扩散和无处不在，已经对时间序列的分析和挖掘产生了极大的兴趣。聚类是最流行的数据挖掘方法之一，不仅因为它的探索性，而且作为其他技术的预处理步骤或子程序。常用的有-means聚类算法。本文介绍了一种新的时间序列聚类算法k-Shape。k-Shape依赖于一个可扩展的迭代优化过程，它创建同质和良好分离的集群。作为距离度量，k-Shape使用标准化的交叉相关。基于距离度量的性质，我们开发了一种计算聚类质心的方法，在每次迭代中使用聚类质心来更新时间序列对聚类的分配。
k-shape时间序列聚类(tslearn)
fitzgerald0的博客
08-23 3万+
时间序列聚类概述 时间序列数据挖掘从技术角度来讲，一般有四种时间序列预测，时间序列分类，时间序列聚类，时间序列异常检测基本上包含了机器学习的几大领域由于时序数据的特殊性，所以每一个方面都与截面数据挖掘有所区别。本文主要讲讲时序聚类中的k-shape算法，和以往的风格一样，重在算法实现。时间序列数据的聚类，关键在于如何定义相似度。 比如基于时间序列特征（len，max,min,std,lag）等可以使用 KMeans算法进行聚类。除了使用欧式距离以外，还可以使用dtw等方法，以及动态规划原理，对时间序列.
利用kmeans或kshape聚类分析对归一化的无量纲时间-降雨序列进行聚类
全栈若城,专注知识分享
06-07 1679
利用kmeans或kshape聚类分析对归一化的无量纲时间-降雨序列进行聚类（分类，区分降雨雨型的差异）
Kshape 聚类-python实现
11-29
Kshape 聚类项目 包含数据集 里面包含一个数据集，以及py文件和jupyter文件 另外，代码对应的有相关注释。
k-shape.py
JiangLongShen的博客
03-16 2450
import numpy import matplotlib.pyplot as plt from tslearn.clustering import KShape from tslearn.datasets import CachedDatasets from tslearn.preprocessing import TimeSeriesScalerMeanVariance seed = 0 n...
【告别k-means】k-Shape高效准确的聚类方法-完整Matlab代码
weixin_44028734的博客
03-07 927
k-shape
Python用KShape对时间序列进行聚类和肘方法确定最优聚类数k可视化
拓端研究室TRL
08-05 950
全文链接：http://tecdat.cn/?p=27078时序数据的聚类方法该算法按照以下流程执行。使用基于互相关测量的距离标度（基于形状的距离：SBD）根据 1 计算时间序列聚类的质心。（一种新的基于质心的聚类算法，可保留时间序列的形状）划分成每个簇的方法和一般的kmeans一样，但是在计算距离尺度和重心的时候使用上面的1和2。相关视频importpandasaspd#读取数据帧，将...
高维多元时序数据聚类
qq_25368751的博客
11-30 5654
收集数据的能力不断增强，使我们有可能收集大量的异构数据。在可用的异构数据中，时间序列代表着尚未被充分探索的信息母体。当前的数据挖掘技术在分析时间序列时存在多个缺点，尤其是在应同时分析多个时间序列（即多维时间序列）以从数据中提取知识时。
时间序列数据处理2——时间序列聚类算法
热门推荐
sinat_41354290的博客
07-02 3万+
 本文主要实现对时间序列聚类算法研究和相关搬运工作。 目录1. 时间序列聚类2. 时间序列聚类的步骤2.1 数据简化2.2 相似性/距离度量2.3 聚类方法2.4 评估聚类结果的标准参考资料 1. 时间序列聚类 时间序列的聚类方法： 时间序列是按照时间排序的一组随机变量，它通常是在相等间隔的时间段内，依照给定的采样率，对某种潜在过程进行观测的结果。 时间序列数据是实值型的序列数据，具有数据量大、数据维度高以及数据是不断更新的等特点。 时间序列聚类方法的分类： 什么是聚类？聚类是一种无监督学习方法，聚类就..
tslearn使用轮廓系数（silhouette_score）评估KShape聚类效果
虚拟-Worder的博客
08-11 1万+
前言 tslearn和sklearn一样，是一款优秀的机器学习框架，tslearn更偏向于处理时间序列问题，如其聚类模块就包含了DTW（Dynamic Time Warping）等算法及变种，也提供了轮廓系数对聚类效果评估，十分方便。但可惜，tslearn似乎没有提供对KShape聚类的评估方法，而且tslearn用的人也不多，官方文档也是很 “简洁”，网上也搜不到多少相关文章，所以这里也就记录下自己的踩坑过程 轮廓系数评估接口调用 先看官方例子，这里X是一个三维的numpy数组，代表20段时间序
kshape聚类算法
03-12
根据引用[1]，kshape来自论文《k-Shape: Efficient and Accurate Clustering of Time Series》。它使用规范化的互相关系数作为相似性度量，而不是欧氏距离。这可能是因为时间序列可能在时间轴上存在平移，直接使用...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值