【论文阅读】-- 多元时间序列聚类算法综述

已于 2024-11-07 09:37:15 修改
阅读量335 收藏
点赞数 1
分类专栏： 论文阅读 数据分析与挖掘 文章标签： 论文阅读
于 2024-11-06 23:01:05 首次发布
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。
本文链接：https://blog.youkuaiyun.com/weixin_46112690/article/details/143581880
版权

在这里插入图片描述

在这里插入图片描述
仔细研究了一下评价指标部分。

参考文献
[1] 郑德生, 孙涵明, 王立远, 等. 多元时间序列聚类算法综述[J]. 计算机科学与探索, 2024.

时间序列预测 — 时间序列预测研究综述
几度春风里的博客
11-10 1万+
指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻，经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。近年来，以卷积神经网络、循环神经网络和 Transformer模型为代表的深度学习算法在时间序列预测任务中取得了丰硕的成果。
python 时间序列异常值_时间序列异常检测（一）—— 算法综述
weixin_39646706的博客
12-10 2833
更新：2020/09/02：新增一篇写的很好的关于视频监控异常检测的学报http://jst.tsinghuajournals.com/CN/rhhtml/20200609.htm​jst.tsinghuajournals.com一. 介绍异常检测(Anomaly detection)是目前时序数据分析最成熟的应用之一，定义是从正常的时间序列中识别不正常的事件或行为的过程。有效的异常检测被广泛用于...
【时间序列聚类】Time2Feat: Learning Interpretable Representations for Multivariate Time Series Clustering
最新发布
qq_53644346的博客
03-11 2195
对多变量时间序列进行聚类是现实世界中涉及多个信号和传感器的许多应用中的一项关键任务。现有系统旨在最大限度地提高有效性、效率和可扩展性，但却无法保证结果的可解释性。这阻碍了它们在需要人类理解算法行为的关键真实场景中的应用。本文介绍了用于多变量时间序列（MTS）聚类的端到端机器学习系统 Time2Feat。该系统依赖于从时间序列中提取的信号间和信号内可解释特征。然后，采用降维技术选择保留大部分信息的特征子集，从而提高结果的可解释性。此外，领域专家可以通过提供少量具有目标群集的 MTS，对这一过程进行半监督.
高维多元时序数据聚类
qq_25368751的博客
11-30 5335
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。
【论文翻译】Toeplitz Inverse Covariance-Based Clustering of Multivariate Time Series Data
weixin_44602176的博客
08-31 3048
摘要 多元时间序列的子序列聚类是发现时态数据中重复模式的有用工具。 一旦这些模式被发现，看似复杂的数据集就可以解释为仅有少量状态或集群的时间序列。 例如，来自健身跟踪应用程序的原始传感器数据可以表示为选定的几个动作（即步行、坐着、跑步)的时间线。 然而，发现这些模式是具有挑战性的，因为它需要同时分割和聚类时间序列。 此外，解释由此产生的簇是困难的，特别是当数据是高维的。 在这里，我们提出了一种新的基于模型的聚类方法，我们称之为TICC。在TICC方法中，每个集群都是由相关网络或马尔可夫随机场(MRF)定义的
一键式机器学习|百万算法一键搞定|轻松解决评价、降维、聚类、回归、分类、时序预测、多输入多输出、概率区间预测问题
zouma20001115的博客
08-28 1408
写作业、打比赛、写论文，不会写代码怎么办？来看看神器系列的工具箱，不写代码，只需要几键就可以实现评价、降维、聚类、回归、分类、单元时间序列预测、多元时间序列预测，多输入多输出、回归概率区间预测、时序概率区间问题等，且支持一键导出代码，后期可以修改代码，进一步修改和改进。
Multi-series Time-aware Sequence Partitioning for Disease Progression Modeling
小蚂蚁与大象
08-07 332
基于ehr，在这项工作中，我们关注败血症——一种可以从几乎所有类型的感染(如流感、肺炎)发展而来的广泛综合征。败血症的症状，如心率升高、发烧和呼吸短促，对其他疾病来说是模糊的和常见的，这使得对其进展的建模极具挑战性。更重要的是，它揭示了可解释的模式，有助于更好地理解败血症的进展。例如，在我们的ehr中，两个连续记录之间的间隔范围为0.94秒到28.19小时。将TICC单独应用于每个访问可能会导致不同访问之间的模式不一致，而将所有访问合并为一个序列可能会在相邻访问之间的连接处引入一些不希望出现的模式。...
论文笔记-深度学习的遥感变化检测综述：文献计量与分析
weixin_56584941的博客
11-12 1976
由于应用需求的增加，多模态异质变化检测、语义变化检测和时序变化检测是未来的研究趋势。特别是深度学习在时序变化检测的应用较少，可以待进一步研究。
论文学习——分段时间序列相似性研究与应用
#仙女不扎马尾#的博客
05-24 913
文章目录1 时间序列挖掘 (TSDM, Time Series Data Mining)1.1 研究时间序列相似性度量方式1.2 研究时间序列分段表示方式1.3 降雨时间序列数据集 写在前面：这是一篇硕士论文。我的idea被导师毙掉了，现在我又开始从头搭建我的碉堡… 1 时间序列挖掘 (TSDM, Time Series Data Mining) 定义：基于一个或多个时间序列的数据挖掘，它的任务是从时间序列中提取相关规律，分析其数值周期，以及对其进行预测等。 【先一个序列，然后再多个序列】 基本所有
【论文阅读】02-A Survey on Knowledge Graphs: Representation, Acquisition, and Applications
Mr_GYF的博客
09-17 1785
整合人类知识是人工智能的研究方向之一。知识表示和推理是受人类问题解决的启发，将要为智能系统表示知识，使其获得解决复杂任务的能力知识图谱作为一种结构化的人类知识形式受到了学术界和工业界的极大关注知识图谱是事实的结构化表示，由实体、关系和语义描述组成。知识图谱与知识库是同义的，只是有细微的区别。在考虑知识图谱的图结构时，可以将其视为一个图。当涉及到形式语义时，它可以作为对事实进行解释和推理的知识库。知识库和知识图谱的示例如图1所示 知识可以在资源描述框架（RDF）下以（头、关系、尾）或（主语、谓语、宾语）的形式
时间序列聚类——十年回顾
11-12
时间序列近十年来聚类算法的大总结，包括对时间序列聚类每一个子步骤的详细分析以及对现有算法的评价
多元时间序列的深度学习实现
09-19
利用LSTM深度学习实现的多元时间序列的预测，利用Keras实现
python 两阶段聚类_Python，如何对多元时间序列进行聚类？
weixin_39782573的博客
12-08 996
我有一个玩具时间序列数据框，格式如下：>>> dfdtime dev sw1 sw20 2020-01-01 00:00:00 A1 5.496714 5.5937921 2020-01-01 00:15:00 A1 5.417291 6.3859362 2020-01-01 00:30:00 A1 6.758800 ...
时间序列的聚类方法
SCS199411的博客
05-30 3万+
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，聚类就是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使类内差异最小，类间差异最大。传统的聚类方法针对...
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..
数据分析进阶-基于tsfresh的多变量时间序列聚类
Totoro1745的博客
06-13 1960
前言 上一篇博客主要尝试了基于tslearn的单变量时间序列聚类，多变量时间序列的方法经过一番搜索也没有找到合适的方式，因此考虑借助强大的时间序列特征提取工具tsfresh与KMeans尝试多变量时间序列的聚类实验 基于日消费总额+日消费次数的时间序列聚类 一、tsfresh tsfresh可以提取的时间序列特征数量相当全面，其中对特征的中文解读建议查看以下两篇博客： https://www.jianshu.com/p/de2f7d333b9f https://www.jianshu.com/p/073f
时间序列聚类方法的研究
HULK一线技术杂谈
07-05 1万+
女主宣言为了保证系统、服务的可靠性和稳定性，监控系统日渐成为每个公司、企业的一个必不可少的系统。随着服务、机器等数量越来越多，如何分析海量时间序列KPI成为我们在智能运维...
时间序列聚类
ai543064193的博客
05-23 6554
时间序列聚类通常分为三类：1、依时间点聚类：时间点上的相似度，欧氏距离2、依形状聚类：空间上的相似度，DTW3、依变化聚类：数据生成过程中的相似度，基于概率的距离，GMM，ARMA，mixture数据简化方面，PAA是一个常用语时间序列的数据变换，其在保证时间序列形态的同时，还保证了计算效率。在实际应用的时候，我们通常会想个办法自动算出PAA要分割的片段个数，不然每次都是通过随机喊个数将是一件特别...
深入比较k-means与k-medoids聚类算法
在数据挖掘和机器学习领域，聚类算法是基础且广泛应用的技术之一，主要目的是将数据点划分到若干个群组中，使得同一群组内的数据点相似度较高，而不同群组间的相似度较低。K-means和K-medoids是两种非常著名的聚类...
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