3、演化数据流聚类：在线与离线处理的高效框架

演化数据流聚类：在线与离线处理的高效框架

1. 引言

在处理数据流时，我们常常需要对数据进行聚类分析，以发现数据中的模式和结构。传统的聚类方法往往难以适应数据流的动态性和无限性，因此需要一种新的框架来处理演化数据流。本文将介绍一种两阶段的框架，该框架可以在不同的时间范围内对数据流进行聚类，并提供了灵活性和高效性。

2. 相关工作

2.1 增量汇总

在时间序列近似方面，有多种技术被提出，如奇异值分解（SVD）、离散傅里叶变换（DFT）、离散小波变换（DWT）和分段线性近似（PLA）等。然而，在处理时间序列数据流时，一些技术并不适用。例如，SVD 需要整个序列的知识，而 DWT 只能处理长度为 2 的幂次方的序列，且无法对数据样本进行加权。相比之下，PLA 具有线性和单次扫描的优点，适合处理数据流。

技术	优点	缺点
SVD	-	需要整个序列的知识
DFT	可适应增量计算	无法适应增量层次维护
DWT	-	只能处理长度为 2 的幂次方的序列，无法对数据样本加权
PLA