一种时间序列数据的动态k-means聚类算法

摘要：

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.

关键词：k-means、动态聚类、时间序列数据、数据关联性

所属期刊栏目：48

分类号：TP301.6(计算技术、计算机技术)

资助基金：西安邮电大学研究生创新基金项目编号:103-602080016

在线出版日期：2020-10-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1852-1857