论文学习——一种基于DTW的符号化时间序列聚类算法

写在前面：期刊：《软件天地》；不知道这是什么期刊，2011年发表的。

1 摘要

• 提出了一种基于DTW的符号化时间序列聚类算法，对降维后得到的不等长符号时间序列进行聚类。

步骤如下：
第一，先对时间序列进行降维处理，提取时间序列的关键点，并对其进行符号化；
第二，利用 DTW 方法进行相似度计算；
第三，利用Normal矩阵和FCM方法进行聚类分析。

2 引言

1. 时间序列的相似性，是衡量两个时间序列相似程度的一个重要指标，它是时间序列聚类、分类、异常发现等诸多数据挖掘问题的基础,也是研究时间序列挖掘的核心问题之一。
2. 欧式距离（Euclidean）和动态时间弯曲距离（Dynamic Time Wraping）是计算时间序列相似性中经常被使用的度量方式。
3. 欧式距离对时间轴上的轻微变化非常敏感，而且要求时间序列是等长的，在处理一般问题时，欧式距离并没有很好的表现。而动态弯曲距离（DTW）则能很好的消除欧式距离的缺陷。

2.1 类似的工作 SAX

SAX 是一种运用符号化方法对时间序列进行表示、 维度约简及相似性度量的方法。

但SAX方法采用PAA算法将时，是将时间序列平均划分，因此会丢失掉一部分的语义信息；

而如果利用均分点+关键点，同时对序列进行分段，则既考虑了序列本身概率分布变化，又能兼顾到形态的变化。[1]

[1] 《一种基于关键点的SAX改进算法》 闫秋艳

2.2 本文成果

本文提出一种基于DTW的符号化时间序列聚类算
法。
①在提取关键点之后，再进行符号化时间序列，以达到降维的目的。
降维之后得到的符号序列为不等长序列，
采用动态时间弯曲距离(DTW)方法进行计算，鲁棒性
好。然后通过DTW得到的距离矩阵构建复杂网络,并寻
找其社团结构,实现了符号时间序列聚类。本文用DTW
方法进行相似性度量比KPDIST[4]在聚类结果的准确率
上有较好大提高