一种时间序列数据的动态k-means聚类算法
冀敏杰
肖利雪
1.西安邮电大学计算机学院 西安 7101212.西安邮电大学计算机学院 西安 710121
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
分类号：TP301.6(计算技术、计算机技术)
资助基金：103-602080016)((编号)
论文发表日期：2020-08-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 1852-1857 )
英文信息