针对时间序列子序列聚类存在的平凡相似和水平伸缩等问题，提出了一种新的子序列聚类算法。它采用多孔平滑滤波器组对时间序列进行低通平滑处理，在所得到的多个尺度序列上生成平凡簇，然后将各个平凡簇的代表子序列作为数据样本进行聚类。新方法利用平凡簇克服了子序列聚类中的平凡相似问题，并且可以在时间序列上发现不等长的相似子序列，较好地解决了水平轴伸缩问题。实验结果证明新算法对于子序列聚类具有比较好的效果。

自适应子序列聚类的时间自组织神经网络和案例研究

ts_cluster 使用 R 的时间序列聚类 这个 repo 只是一个示例 repo，用于学习如何对时间序列数据进行聚类。 为了处理时间序列数据，我们必须考虑并选择适合的方法。 在这个存储库中，我们使用 DTW（动态时间包装）代替欧几里得来计算一个信号到另一个信号之间的距离。 对于聚类方法，我们使用层次聚类和 DBSCAN。 我们使用的数据是来自 UCI 的 Synthetic Control Chart Time Series，更多详细信息您可以访问

本文采用时间序列分析，地理信息，聚类分析，因果关系检验等技术手段对近十年来中国大陆的房价进行了分析。 在比较各省与邻近省之间的房价后，Kmeans集群将连续分布在地图上； 时间序列上的最高价区域和最低价区域也在地图上连续分布； 基于时间序列的因果关系检验发现，六个省的房价增长率受周围省份的影响，而一个省的房价增长率则影响了邻近省份的房价增长率。

颜色分类leetcode 时间序列聚类 时间序列聚类是一项无监督学习任务，旨在将未标记的时间序列对象划分为同质的组/集群。 与其他集群中的时间序列相比，同一集群中的时间序列彼此更相似 该算法能够： 识别跨序列的联合动态 消除序列间的滞后（时移）（通常称为滞后不变性） 生成可解释的特征。 一般来说，时间序列聚类算法有两种类型： 基于特征- 使用特征提取转换原始数据，在生成的特征之上运行聚类 基于原始数据- 直接应用于时间序列向量，无需任何空间变换 变分循环自动编码器 (VRAE) VRAE 是一种基于特征的时间序列聚类算法，因为基于原始数据的方法受到维数灾难的影响，并且对嘈杂的输入数据很敏感。 中间的瓶颈层将作为整个输入时间序列的特征表示。 建筑学 网络 从这里开始，RNN 指的是循环神经网络架构，即 LSTM/GRU 块。 我们的模型主要由四个块组成 编码器：输入向量序列被馈送到 RNN，最后一个隐藏层h_end从 RNN 中提取并传递到下一层 编码器到潜在层： h_end通过使用线性层映射到均值和标准差 给定均值和标准差。 偏差，在训练期间执行重新参数化。 这实质上意味着从由其均值和

时间序列聚类以及动态时间规整（DTW）距离的优化 具有各种策略的时间序列聚类以及针对动态时间规整（DTW）距离及其对应的下限（LB）的一系列优化。 既有传统聚类算法的实现，也有更新的过程，例如k-Shape和TADPole聚类。 使用自定义距离度量和质心定义可以轻松扩展功能。 此软件包中实现的许多算法都是专门为DTW量身定制的，因此得名。 但是，主要的聚类功能很灵活，因此可以直接使用时间序列或通过应用适当的转换，然后在结果空间中进行聚类，来测试许多不同的聚类方法。 软件包中包含的其他实现为DTW提供了一些替代方案。 想要查询更多的信息： （附录中带有示例） 实作 分区，层次和模糊聚类 k形聚类 基于形状的距离 时间序列的形状提取 TADPole聚类 DTW的优化版本 Keogh和Lemire的DTW下限 全局对齐内核（GAK）距离 DTW重心平均 软DTW（距离和质心） 一些多变量支

针对传统方法建立的空间权矩阵难于真实、准确地反映空间邻近变量之间相互影响的不足，提出一种基于样本数据驱动的空间权矩阵建立方法，将建立空间权矩阵转换为求解未知系数线性方程；针对STARMA模型只具有线性形式而无法捕获时空序列中非线性模式的不足，提出STARMA网络模型，采用网络结构，以非线性函数代替线性组合。通过实验分析验证了基于样本数据驱动的空间权矩阵建立方法和STARMA网络的有效性。

一种新的基于隐Markov模型的分层时间序列聚类算法.pdf

多元时间序列聚类算法分析.pdf

面向临床检验指标的非同步时间序列聚类算法研究.pdf