针对时间序列数据挖掘的双加权聚类集成

摘要

静态数据的聚类方法已得到了较为深入的研究,然而现实生活中越来越多的应用涉及到时间序列的聚类分析.但此类数据具有复杂的动态特性、高维度和海量性等特点,使得传统的算法无法获得较为理想的聚类结果.本项目将针对时间序列数据挖掘的实际需要,利用集成学习的最新研究成果,深入研究基于生成模型和特征表示的时间序列数据挖掘技术,并提出了两种时间序列聚类集成模型,以解决以下主要问题:(1)通过提出新的聚类集成模型,解决时间序列聚类算法中的初始化敏感.(2)通过引入双加权机制,使得聚类集成学习的可靠性及性能得到进一步的提高.(3)在时间序列聚类分析中能够有效地捕捉类簇的本征结构,能自动识别类数.(4)提高聚类集成模型的延展性,能根据不同特点的时间序列数据,选择不同的模型设置和多特征表示.综上所述本课题将在集成学习算法的框架下,对时间序列数据聚类分析提出较为前沿的理论研究,其研究成果必将具有较高的理论和实用价值.