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。该算法首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；其次利用DTW方法进行相似度计算；最后利用Normal矩阵和FCM方法进行聚类分析。实验结果表明，将DTW方法应用在关键点提取之后的符号化时间序列上，聚类结果的准确率有较好大提高。

时间序列聚类综述

可靠的方法去判断两个时间序列是否相似，截下来便可以使用k-NN算法进行分类。根据经验，最优解一般出现在k=1的时候。下面就利用DTW欧氏距离的1-NN算法。在该算法中，train是时间序列示例的训练集，其中时间序列所属的类被附加到时间序列的末尾。test是相应的测试集，它所属于的类别就是我们想要预测的结果。在该算法中，对于测试集中的每一个时间序列，每一遍搜索必须遍历训练集中的所有点，从而可以找到最多的相似点。考虑到DTW算法是二次方的，计算过程会耗费非常长时间。我们可以通过LB Keogh下界方法来提高分类算法的计算速度。计算机运行LB Keogh的速度会比运行DTW的速度快很多。另外，当LB

主要针对控制图时间序列数据集的聚类任务，使用了基于划分的（K-Means）、基于层次的（AGNES）、基于密度的（DBSCAN）以及基于图的（spectral clustering）聚类方法，最后可视化结果，用Jupyter Notebook编写（python），四种聚类算法和数据集均打包在一起。

有序序列聚类分析算法 可以实现节点（分为 k类）的的分析

对时间序列聚类方法做了相关的理论知识简介，进而进行时间序列股票数据聚类分析，在此基础上，对本文设计的基于时间序列聚类分析的股票数据分析系统进行需求分析、架构设计及实现，进而从系统功能和性能上进行了测试。