面向多通道時間序列的分層IB算法.pdf

1、時間序列也被稱為動態(tài)序列，由一組隨時間變化記錄的觀測量組成。時間序列是一種復雜的數據對象，用來描述事物的變化過程。多通道時間序列是指同一個對象隨時間變化同時擁有多個通道并行地記錄的數據。作為一種特殊類型的時間序列，多通道時間序列包含了多種從不同渠道觀察得到的不同類型的集合，它可以存儲比單通道時間序列更為復雜的信息，因此被越來越多地應用在不同的領域中。而隨著此類數據集越來越多的出現，如何有效地管理和分析大量的多通道時間序列成為了一個巨大的

2、挑戰(zhàn)。
　　在研究多通道時間序列中存在兩個亟待解決的關鍵問題。第一，多通道時間序列中的序列都非常長，而且存在于不同通道中，而從不同通道中提取到的特征往往又是自包含的并且有些類似，所以需要一種有效的特征提取方法，該方法能夠從中得到可以區(qū)分的特征，以便更好的預測多通道時間系列類標簽。第二，多通道時間序列的每個通道里都包含了不同類型的信息，這個特殊的結構使得如何有效的利用這些信息成為一個難題，在挖掘多通道時間序列的任務中，迫切的需要一個

3、能夠有效解決這個難題的方法。
　　針對以上問題，結合一種改進的Bag-of-Patterns（BoP）特征提取方法，本文提出了一種無監(jiān)督的分層IB（hierarchical Information Bottleneck，簡稱hIB）算法。該算法分為兩層，兩層間的信息能夠相互傳播，使得此算法能夠充分的利用多個不同通道中所包含的信息，得到較好的聚類結果。分層IB算法的第一層使用了自凝聚策略，以自底向上的方式把多個通道內的信息進行處理、

4、合并，得到一個層次的特征聚類樹，這種做法使得多通道時間序列里的所有信息能夠相互傳播、影響；分層IB算法的第二層算法將第一層得到的特征聚類樹作為輸入，對原有的多通道時間序列進行劃分，得到最終的聚類結果。本文將分層IB算法與傳統(tǒng)聚類算法以及能夠處理多重信息的聚類算法進行了實驗對比，實驗結果顯示，分層IB聚類準確度均高于其他對比算法并且表現出一定的穩(wěn)定性。實驗結果充分說明本算法可以有效地解決上述多通道時間序列挖掘中的兩個關鍵問題，對于處理多通