关键词:
时间序列
模糊聚类
相似性度量
时间序列形态
特征加权
摘要:
针对现有时间序列聚类分析较少考虑到各簇时间序列的相似形态对聚类结果的影响,本文提出一种基于时间序列形态的模糊聚类算法.该算法使用线性时间复杂度的Jeffreys复合距离度量时间序列之间的距离,利用迭代过程中的隶属度为各簇择选能够映射簇内时间序列相似形态的核心特征,并在下一次迭代中对距离进行特征加权.当隶属度不再显著变化时,算法停止迭代,最后根据隶属度最大原则对时间序列进行簇划分.在14个公开时间序列数据集上与10种对比算法的实验结果表明,该算法具有精确的聚类结果和较好的鲁棒性,综合性能优于对比算法.