时间序列挖掘聚类.ppt

基于LB_Hust距离的时间序列数据聚类_崔美玲 * Ui=max(xi-w,xi+w)是在区间[xi-w,xi+w]内取最大值。 * W大约是10 * Yi落在（Li,Ui）内就认为二者匹配。易见定理是显然的。 LB_Keogh 距离不是对称的容易理解，因为它是对第一个参数求最大最小值，设w=|X|或|Y|，不对称性应是显然的。 * 两行 A Symbolic Representation of Time Series, with Implications for Streaming Algorithms Jessica Lin Eamonn Keogh * /:除以。 [11]. S.Guha, N.Mishra, R.Motwani, L.O’Callaghan. Clustering Data Streams. IEEE FOCS Conference, 2000. /:除以。 [11]. S.Guha, N.Mishra, R.Motwani, L.O’Callaghan. Clustering Data Streams. IEEE FOCS Conference, 2000. [12]. CC Aggarwal, J. Han, J. Wang, and PS Yu. A framework for clustering evolving data streams. In Proceeings of the 29th VLDB conference, 2003. [13]. Zhe Wang, Bin Wang, Chunguang Zhou, Xiujuan Xu. Clustering Data Streams On the Two-tier Structure. APWeb 2004. 416-425. 股票数据聚类：数据的归一化 针对股票数据间的股价差距大的问题，采用归一化处理，归一化处理主要解决比较数据间量纲不统一的问题，在对股票进行聚类分析中，股票的相似性集中于股价变化趋势的相似性，而非股价之间的相似性，所以采用以下公式 对数据进行归一化处理。 股票数据聚类：聚类结果 运行层次聚类算法时初始设定聚类簇数为4个，同时设定时间弯折窗口w为3。 股票数据聚类：聚类结果 运行层次聚类算法时初始设定聚类簇数为4个，同时设定时间弯折窗口w为3。 股票数据聚类：聚类结果 运行层次聚类算法时初始设定聚类簇数为4个，同时设定时间弯折窗口w为3。 股票数据聚类：聚类结果 运行层次聚类算法时初始设定聚类簇数为4个，同时设定时间弯折窗口w为3。 基于SAX表示的聚类 Hierarchical Clustering Compute pairwise distance, merge similar clusters bottom-up Compared with Euclidean, IMPACTS, and SDA 基于SAX表示的距离 PAA distance lower-bounds the Euclidean Distance 0 20 40 60 80 100 120 - 1.5 - 1 - 0.5 0 0.5 1 1.5 C Q 0 20 40 60 80 100 120 - 1.5 - 1 - 0.5 0 0.5 1 1.5 C Q = baabccbc C ? = babcacca Q ? Euclidean Distance dist() can be implemented using a table lookup. Hierarchical Clustering We can objectively state that SAX is superior, since it correctly assigns each class to its own subtree. 数据类别事先已知：decreasing trend, upward shift and normal classes Clustering Hierarchical Clustering Compute pairwise distance, merge similar clusters bottom-up Compared with Euclidean, IMPACTS, and SDA Partitional Clustering K-means Optimize the objective function by minimizing the sum of squared int