基于两种新距离的序数时间序列模糊聚类及其经济应用

​

Fuzzy clustering of ordinal time series based on two novel distances
with economic applications

解决问题：该论文旨在解决对序数时间序列进行聚类的问题。虽然大多数方法都集中在实值时间序列上，但很少有研究考虑到具有离散响应的序列。本文提出了两个新的序数时间序列距离度量，并用于构建模糊聚类过程。这是否是一个新问题？是的，该论文提出的序数时间序列聚类问题是一个新问题。

关键思路：该论文的关键思路是引入两个新的序数时间序列距离度量，并使用这些度量构建模糊聚类过程。这些度量是基于估计的累积概率函数，因此自动利用序列范围内的排序特性。所得到的聚类算法具有计算效率，并能够聚类来自各种模型的序列，从而达到准确的结果。相比当前领域的研究状况，该论文提出的思路是新颖的。

其他亮点：该论文的一个亮点是采用模糊方法，使得聚类过程能够将每个序列定位到具有不同成员资格度的多个聚类中。该论文还提出了加权聚类算法，并讨论了其与原始方法相比的优点。该论文的实验设计充分，使用了多个数据集，并且开源了代码。这篇论文值得进一步深入研究。

关于作者：Ángel López Oriona、Christian Weiss和José Antonio Vilar是该论文的主要作者。他们分别来自西班牙萨拉戈萨大学、德国马普学会和西班牙萨拉戈萨大学。他们之前的代表作包括：Oriona的《A fuzzy clustering approach to the segmentation of multivariate time series》、Weiss的《On the optimality of the simple Bayesian classifier under zero-one loss》和Vilar的《Fuzzy clustering of time series using a mixed-effects model with automatic smoothing parameter selection》。

相关研究：近期其他相关的研究包括：《Clustering of ordinal time series using k-medoids algorithm》（Saranya等，印度理工学院）、《Clustering of time series data – A survey》（Aggarwal等，IBM研究院）和《A clustering algorithm for time series using gravity models》（Paparrizos等，纽约大学）。

论文摘要：本文提出了一种解决序数时间序列聚类问题的方法。在许多领域中，时间序列聚类是一项核心的机器学习任务。虽然大多数方法都集中在实值时间序列上，但是很少有研究考虑具有离散响应的序列。为了实现这个目的，本文介绍了两个新的序数时间序列距离，并用它们来构建模糊聚类过程。这两个度量都是估计的累积概率函数，因此自动利用序列范围固有的排序优势。由此产生的聚类算法具有计算效率，并能够将从类似随机过程中生成的序列分组，即使这些序列来自各种模型，也能获得准确的结果。由于序列的动态可能随时间变化，因此我们采用模糊方法，使得过程能够将每个序列定位到具有不同成员度数的多个聚类中。广泛的模拟研究表明，所提出的方法优于几种替代程序。文中还提出了聚类算法的加权版本，并讨论了它们相对于原始方法的优点。两个涉及经济时间序列的具体应用说明了所提出方法的实用性。

​Read More