一种时间序列数据的动态密度聚类算法

摘要：

传统的聚类算法多是针对某个时间片上的静态数据集合进行的聚类分析,但事实上大部分数据存在时间序列上的连续动态演变过程.本文对时间序列数据及其类结构的演变过程进行了分析,发现在一定条件下相邻时间片间的数据集间存在较强的关联性,并且类簇结构间则存在一定的继承性.故本文得出新的思想,在前一时间片聚类结果的基础上,通过对部分变化数据的计算和类簇结构的局部调整就有望获得对后一时间片上数据进行完全聚类相同的效果,且运算量会显著下降.基于此思想提出了一种时间序列数据的动态密度聚类算法(DDCA/TSD).仿真实验中使用6种数据集对所提出算法进行了实验验证.结果显示DDCA/TSD在保证聚类准确性的基础上相对传统聚类算法有明显的时间效率提升,并能更有效地发现数据点的属性变化及类簇结构的演变过程.

关键词：时间序列数据、数据关联性、动态密度聚类、类继承性

所属期刊栏目：36

资助基金：国家自然科学基金项目61876138,61203311,61105064;陕西省教育厅自然科学专项17JK0701;陕西省网络数据分析与智能处理重点实验室开放课题基金项目XUPT-KLND201804;西安邮电大学创新基金项目103-602080016

在线出版日期：2019-11-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1304-1314