一种基于u-shapelets的时间序列聚类方法技术

本发明专利技术公开了一种基于u‑shapelets的时间序列聚类方法，涉及无监督学习技术领域，该方法以子序列为对象的时间序列聚类分析，每一个提取出来的u‑shapelet都可以作为一个类的核心公共特征，而且该类别中的所有时间序列都有一个与该u‑shapelet形态相似的子序列，这为将数据集中的相应时间序列聚类提供了依据，具有很强的可解释性，同时，利用不同时间序列之间局部特征的差异进行聚类，可以减少噪声数据的影响，并适用于不同长度的序列。

【技术实现步骤摘要】

本专利技术涉及无监督学习，特别涉及一种基于u-shapelets的时间序列聚类方法。

技术介绍

1、时间序列聚类作为一种重要的无监督学习方法，已成为研究的热点，它能够揭示数据中的结构和规律，对时间序列数据进行有效的分析和理解。

2、在2012年，keogh等人提出了一种基于u-shapelets(unsupervised-shapelets)的时间序列聚类算法bruteforce。其中，u-shapelet是时间序列中具有辨识性的子序列。该方法利用局部形状特征来区分序列之间的差异，不仅聚类精度高，对聚类结果也有很好的解释性。但是，bruteforce方法具有o(n2m4)的时间复杂度，这导致了较高的计算成本。为了降低算法的时间复杂度，研究人员提出了许多方法来加速u-shapelets的选择过程，但它们专注于减少候选集的量级，可能会使高辨识度的子序列被过滤掉，从而导致算法的聚类精度较低。

3、本专利技术提供一种基于u-shapelets的时间序列聚类算法push，旨在选择一组高质量的u-shapelets的同时确保算法的计算复杂度较低本文档来自技高网...

【技术保护点】

1.一种基于u-shapelets的时间序列聚类方法，其特征在于：采用离散特征表示方法DFR将提取的子序列进行表示，以捕获子序列的形态变化趋势和关键信息，然后，使用扩展欧氏距离EED来度量序列间的相似性，以充分挖掘DFR捕获的趋势信息，最后利用u-shapelets的特性进行簇划分得到聚类结果，具体如下：

2.根据权利要求1所述的一种基于u-shapelets的时间序列聚类方法，其特征在于：每一步的时间复杂度具体如下：设n是时间序列的数量，m是时间序列长度；

【技术特征摘要】

1.一种基于u-shapelets的时间序列聚类方法，其特征在于：采用离散特征表示方法dfr将提取的子序列进行表示，以捕获子序列的形态变化趋势和关键信息，然后，使用扩展欧氏距离eed来度量序列间的相似性，以充分挖掘dfr捕获的趋势信息，最...

【专利技术属性】
技术研发人员：陈梅，王钰，尤远毓秀，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：