计算机科学与探索

作者：郑德生, 孙涵明, 王立远, 段垚鑫, 李晓瑜

单位：1. 西南石油大学 计算机与软件学院，成都 6105002. 重庆邮电大学 自动化学院，重庆 4000653. 电子科技大学 信息与软件工程学院，成都 611731

关键词：多元时间序列,聚类算法,特征表示,相似性度量,聚类评估指标

基金：国家重点研发计划（J2019-V-0001-0092）；工业物联网与网络化控制教育部重点实验室开放基金（2022FF02）。

多元时间序列（MTS）作为众多领域智能化技术的关键数据依据，其随时间推移记录了系统中多个变量的状态变化。聚类技术作为一个数据挖掘核心工具可以将数据按照其结构相似性划分为不同的簇，通过识别数据的结构和内在关系挖掘系统发展规律和变量相关关系。面对多元时间序列数据结构的复杂性、变量之间的关联性以及数据高维性等为聚类分析带来的挑战，国内外已经开展了大量相关研究工作。鉴于此，对多元时间序列数据场景下的聚类分析算法进行综述。基于特征提取方式、相似性度量算法、聚类划分框架等分类标准，对现有多元时间序列聚类算法进行对比分析。对于每一类多元时间序列聚类技术，从算法原理、代表性方法、算法优缺点以及解决的问题等方面进行详细总结与剖析。进一步讨论了常用的评价标准，以及多元时间序列聚类相关公开数据集。从多变量时序数据结构特殊性出发对现有多元时间序列聚类存在的挑战及未来发展方向进行了总结与展望。

来源：2025年第3期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第3期