基于 K -Shape的时间序列模糊分类方法

Abstract

时间序列分类是数据挖掘中的重要主题，现有的大部分时间序列分类方法较少考虑到序列形状对分类结果的影响。该文提出了一种基于k-shape的时间序列模糊分类方法。该方法通过使用k-shape聚类算法对时间序列训练数据集各类别的成员进行聚类，获得各类别的聚类中心并形成聚类中心群，将每个类别的聚类中心群作为时间序列数据模糊分类的初始聚类中心，根据隶属度最大原则确定测试时间序列数据的类别标签。在30个时间序列公开数据集上的分类实验结果表明，该方法相较于SVM、Bayes、EAIW和TLCS这4种分类算法具有更好的分类性能，对具有扭曲和位移特征的时间序列数据分类有更好的可用性。