10.3969/j.issn.1672-9722.2020.08.007
一种时间序列数据的动态k-means聚类算法
传统k-means聚类算法是对某个时间片上的静态数据集合进行独立的聚类分析,但对于时间序列数据仅仅是多次静态聚类分析的重复应用.当数据量过大时,算法的时间开销将大大增加.为此,本文提出了一种时间序列数据的动态k-means聚类算法(Dynamic k-means Clustering Algorithm for Time Series Data,DKCA/TSD).该算法通过时间序列的前一时刻最优质心的结果,利用数据之间的关联性进行下一时刻的聚类,从而减少算法的迭代次数,提高时间效率.实验结果表明:对于时间序列数据,DKCA/TSD算法相对于k-means算法时间效率上有很大提高.
k-means、动态聚类、时间序列数据、数据关联性
48
TP301.6(计算技术、计算机技术)
西安邮电大学研究生创新基金项目编号:103-602080016
2020-10-13(万方平台首次上网日期,不代表论文的发表时间)
共6页
1852-1857