改进的时间序列K均值算法——针对时间序列数据的新型平滑子空间聚类方法

简介：
本研究提出了一种改进的时间序列K均值算法，旨在为时间序列数据开发一种高效的平滑子空间聚类技术，增强了数据分析和模式识别能力。 现有的聚类算法在从时间序列数据中提取平滑子空间方面表现不佳。本段落提出了一种新的k均值类型平滑子空间聚类算法——时间序列k均值（TSkmeans），用于对时间序列数据进行更有效的聚类。该提出的TSkmeans算法能够利用时间序列数据集的固有子空间信息来提升聚类性能。 具体而言，平滑子空间通过加权的时间戳表示，这些权重反映了对应时间点在区分不同类别中的重要性。我们工作的主要贡献在于设计了一个新的目标函数以指导时间序列数据的聚类，并开发了新颖的更新规则来进行针对平滑子空间的迭代搜索优化。 实验结果基于一个综合数据集和五个实际数据集进行验证，表明TSkmeans算法在准确性、Fscore、RandIndex以及正常互信息等通用性能指标上都表现出色。