什么是一种有效的聚类方法，用于将多变量时间序列数据分组为最优持久状态？
什么是一种有效的聚类方法，用于将多变量时间序列数据分组为最优持久状态？
提问于 2018-04-24 09:07:01
我有一个长度为200000的六维数据时间序列，描述了混沌动力系统的演化。我正在探索将数据的状态空间划分为最小交互区域的方法；我希望时间序列中从集群到另一个区域的转换最少。除了对一个集群的琐碎情况不感兴趣之外，我对集群号没有任何限制，尽管我希望它很小(K<6说)。其目的是试图识别混沌系统中的准稳定吸引盆地。
我尝试过高斯和高斯混合发射的隐马尔可夫模型，但它们不能很好地捕捉到相空间中非常非高斯的数据结构。我也尝试过使用DBSCAN取得了一些成功，但是由于它没有将数据作为一个时间序列来处理，所以参数必须经过非常仔细的调整才能得到好的结果，这让我很不满意。
还有其他的方法跃入脑海吗？
回答 1
Data Science用户
发布于 2018-04-25 21:47:15
您可以简单地修改DBSCAN (请参阅GDBSCAN)以考虑时间，而不是删除宝贵的时间信息。
即邻域是指在dt的时间差范围内，具有最小相似度的点。
除此之外，时间序列的经典“均值变化”分析技术也出现在我的脑海中。也许也是转换点检测。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/30741
复制相关文章
相似问题
腾讯云开发者
