控制理论与应用

作者：陈皓,冀敏杰,郭紫园,夏雨

单位：西安邮电大学,西安邮电大学,西安邮电大学,西安邮电大学

关键词：时间序列数据; 数据关联性; 动态密度聚类; 类继承性

基金：国家自然科学基金项目(61876138, 61203311, 61105064), 陕西省教育厅自然科学专项(17JK0701), 陕西省网络数据分析与智能处理重点实验室开放课题基金(XUPT-KLND(201804)), 西安邮电大学研究生创新基金项目(103-602080016)

传统的聚类算法多是针对某个时间片上的静态数据集合进行的聚类分析, 但事实上大部分数据存在时间序列上的连续动态演变过程. 本文对时间序列数据及其类结构的演变过程进行了分析, 发现在一定条件下相邻时间片间的数据集间存在较强的关联性, 并且类簇结构间则存在一定的继承性. 故本文得出新的思想, 在前一时间片聚类结果的基础上, 通过对部分变化数据的计算和类簇结构的局部调整就有望获得对后一时间片上数据进行完全聚类相同的效果, 且运算量会显著下降. 基于此思想提出了一种时间序列数据的动态密度聚类算法(Dynamic Density Clustering Algorithm for Time Series Data, DDCA/TSD). 仿真实验中使用6种数据集对所提出算法进行了实验验证. 结果显示DDCA/TSD在保证聚类准确性的基础上相对传统聚类算法有明显的时间效率提升, 并能更有效地发现数据点的属性变化及类簇结构的演变过程.

来源：2019年第8期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2019年第8期