文献记录(part43)--Multivariate time series clustering based on complex network

最新推荐文章于 2025-08-22 11:20:25 发布
最新推荐文章于 2025-08-22 11:20:25 发布
阅读量541 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 机器学习
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.csdn.net/m0_37422217/article/details/115149298
本文提出了一种基于复杂网络的多元时间序列聚类新方法BCNC，包括状态转换网络映射和社区检测技术。BCNC解决了高维性导致的信息丢失和聚类的复杂性问题，提高了聚类的准确性和MTS状态描述的质量。实验表明BCNC在不同数据集上优于传统方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

学习笔记，仅供参考，有错必纠

关键词:多元时间序列；数据挖掘；聚类分析；复杂网络

Multivariate time series clustering based on complex network


摘要


由于时间序列在各个领域的广泛存在，近年来时间序列数据挖掘(尤其是时间序列聚类)的研究日益增多。聚类等技术可以从时间序列数据中提取有价值的信息和潜在模式。在这方面，多元时间序列的聚类分析由于其高维数而具有挑战性。

我们的研究使我们开发了一种基于复杂网络的多元时间序列聚类新方法(BCNC)。BCNC包括一种将多变量时间序列映射到复杂网络的新方法和一种可视化多变量时间序列的新方法。该解决方案创新性地基于关系网络，并依赖于使用社区检测技术来实现完整的多元时间序列聚类。

给出了该BCNC方法的详细算法和仿真实验。在不同数据集上的实验结果表明，BCNC聚类法优于传统的多元时间序列聚类法。


Introduction


由医疗数据、工程数据和财务数据组成的数据集有一个共同的特征：它们通常由一段时间内收集的数据组成。这些时间轴排序的数据统称为时间序列数

了解本专栏 订阅专栏 解锁全文 超级会员免费看
A Comprehensive Survey on Graph Neural Networks(图神经网络综合研究)
weixin_41697507的博客
07-06 7708
A Comprehensive Survey on Graph Neural Networks Zonghan Wu, Shirui Pan, Member, IEEE, Fengwen Chen, Guodong Long, Chengqi Zhang, Senior Member, IEEE, Philip S. Yu, Fellow, IEEE Abstract—Deep learning ...
爬虫教程（ 6 ） --- 爬虫 进阶、扩展
墨鱼菜鸡
07-11 7305
1. 前言 1. 先看一个最简单的爬虫。 import requests url = "http://www.cricode.com" r = requests.get(url) print(r.text) 2. 一个正常的爬虫程序 上面那个最简单的爬虫，是一个不完整的残疾的爬虫。因为爬虫程序通常需要做的事情如下： 1)给定的种子 URLs，...
【时序聚类】Neurocomputing:Multivariate time series clustering based on common principal component analysi
风雨潇潇一书生
03-02 1716
分析2019Neurocomputing 1区论文Multivariate time series clustering based on common principal component analysis 论文来源：https://www.researchgate.net/publication/332536648_Multivariate_time_series_clustering_b...
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 1005
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 ...
高维多元时序数据聚类
qq_25368751的博客
11-30 5460
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。
2022 RS《Wetland Vegetation Classification through Multi-Dimensional Feature Time Series Using MDDTW》
qq_40292148的博客
04-03 330
基于 Mahalanobis distance 的 metric learning 的目的是：给定一个训练样本及 X，获取一个正半定对称矩阵(positive semi-definite symmetric matrix) M，从而建立样本的特征向量之间的关系。这样的话，训练样本之间的相似关系会被保留，相同样本的距离更近，不同类型的距离很远。对于本实验构建的多维特征时序，如果使用欧氏距离，每个特征(植被指数)的权重相同，且会忽略特征之间的关系。原本的 DTW 中，在计算两个点之间的距离时，使用欧氏距离。
论文阅读 (十七)：Clustering-based multiple instance learning with multi-view feature (2020CMIL)
因吉的博客
11-19 711
文章目录引入1 CMIL 引入   地址：https://www.sciencedirect.com/science/article/pii/S0957417419307444   期刊：Expert Systems With Applications   要点：   1）基于聚类的全新实例选择策略；   2）多视角特征空间。   假设：   标准多示例假设。   有任何疑问请及时与窝联系~ 1 CMIL   本文符号表如下： 符号 含义 BtrB^{tr}Btr 训练包集合 Btest
Time Series Anomaly Detection: Case Analysis and Practical Techniques
# Time Series Anomaly Detection: Case Studies and Practical Tips In the modern IT field, especially within the realm of time series data analysis, anomaly detection is a crucial process. Time series ...
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
基于通用主成分分析的多元时间序列的准确高效分类
03-28
基于通用主成分分析的多元时间序列的准确高效分类
Multi-view Clustering via Deep Matrix Factorization and Partition Alignment
qq_34179307的博客
01-19 756
多视角聚类（Multi-view clustering，简称MVC）在近年来得到了广泛研究，用于收集多源信息。一种典型的MVC方法是基于矩阵分解，以有效地进行降维和聚类。然而，现有方法可以通过以下考虑进一步改进：i）当前的单层矩阵分解框架不能充分利用有用的数据表示。ii）大多数算法只关注共享信息，而忽略视角特定的结构，导致次优解。iii）现有工作中未利用分区级别的信息。为了解决上述问题，我们提出了一种新颖的多视角聚类算法，通过深度矩阵分解和分区对齐。
【时序分割】2017KDD论文 Toeplitz Inverse Covariance-Based Clustering of Multivariate Time Series（TICC）
风雨潇潇一书生
02-29 4156
基于Toeplitz逆协方差的多元时间序列数据聚类 Toeplitz Inverse Covariance-Based Clustering of Multivariate Time Series Data 文章网址：https://www.researchgate.net/publication/318916788_Toeplitz_Inverse_C...
时间序列聚类
wei_guo_xd的博客
08-25 1万+
首先，聚类分为硬聚类（hard clustering）和软聚类（soft clustering），硬聚类将数据分割为几个确定的类别，软聚类为每个数据点指定几个类别。硬聚类又可以分为分层聚类方法（hierarchical clustering methods）和平稳聚类方法（flat clustering methods），分层聚类方法产生数据的嵌套网状分割，平稳聚类产生一个单一的分割，K-MEAN
【时间序列】KDD 2021丨时间序列相关研究论文汇总
AI蜗牛车
08-19 3177
ACM SIGKDD（Conference on Knowledge Discovery and Data Mining, KDD）是全球最大规模的国际数据科学会议，将展示知识发现和数据挖...
两篇最新多元时间序列预测工作的解读
AI蜗牛车
10-11 2534
多元时间序列预测任务主要解决的是输入多变量时间序列，预测多变量未来序列的问题，多变量的序列之间存在一定的相互影响关系。多元时间序列预测相比一般的单变量时间预测，如何在建模temporal关系的同时建立不同变量空间上的关系至关重要。今天给大家介绍两篇2022年8月份发表的最新多元时间序列预测工作，两篇工作均有开源代码。两篇文章的概要分别如下。论文1-Expressing Multivariate T...
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。...
线性回归笔记
最新发布
2402_88703635的博客
08-22 867
线性回归是一种基于最小二乘法的预测建模技术，通过构建自变量与因变量的线性关系进行预测。文章介绍了线性回归的核心思想、一般形式、评估指标（SSE、MSE、R²）和参数估计方法，重点阐述了多元线性回归与简单线性回归的区别与联系。线性回归具有解释性强、计算高效的优点，广泛应用于房地产定价、医学研究和市场营销等领域。最后说明了sklearn库中线性回归算法的实现方法及其参数作用。
Graph Neural Network-Based Anomaly Detection in Multivariate Time Series” (AAAI 2021)复现
02-27
具体到Graph Neural Network-Based Anomaly Detection in Multivariate Time Series (AAAI 2021)，该研究提出了利用时空图卷积来处理时间序列特征提取的任务[^1]。通过构建一个动态变化的邻接矩阵表示各变量间的关联...
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

打赏作者

GUI Research Group

谢谢支持！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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