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：
本文提出了一种基于时间序列K均值算法改进的方法，旨在为时间序列数据提供更有效的平滑子空间聚类解决方案。 现有的聚类算法在提取用于时间序列数据平滑子空间方面表现较弱。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），旨在改善对时间序列数据的聚类效果。提出的TSkmeans算法能够有效利用时间序列数据集中的固有子空间信息，从而提升聚类性能。具体而言，该方法通过加权的时间戳来定义平滑子空间，这些加权时间戳反映了它们在区分不同聚类对象时的重要性。 我们的主要贡献包括设计了一个新的目标函数以指导对时间序列数据的聚类过程，并开发了一套新颖的更新规则以便于针对特定子空间进行迭代搜索。实验结果基于综合数据集及五个实际应用的数据集，显示了TSkmeans算法在准确性、F值、Rand指数和正常互信息等指标上的优越表现。