摘 要: 提出了一種基于DTW的符號化時間序列聚類算法,，對降維后得到的不等長符號時間序列進行聚類,。該算法首先對時間序列進行降維處理，提取時間序列的關(guān)鍵點,，并對其進行符號化；其次利用DTW方法進行相似度計算,；最后利用Normal矩陣和FCM方法進行聚類分析。實驗結(jié)果表明,，將DTW方法應(yīng)用在關(guān)鍵點提取之后的符號化時間序列上,，聚類結(jié)果的準(zhǔn)確率有較好大提高,。
關(guān)鍵詞: 時間序列,；DTW,；SAX；Normal矩陣,；FCM
時間序列(Time Series)挖掘是數(shù)據(jù)挖掘中的一個重要研究分支，有著廣泛的應(yīng)用價值,。近年來，時間序列挖掘在宏觀的經(jīng)濟預(yù)測,、市場營銷,、客流量分析,、太陽黑子數(shù)、月降水量,、河流流量、股票價格變動等眾多領(lǐng)域得到了廣泛應(yīng)用[1],。
時間序列的相似性是衡量兩個時間序列相似程度的一個重要指標(biāo)，它是時間序列聚類,、分類、異常發(fā)現(xiàn)等諸多數(shù)據(jù)挖掘的基礎(chǔ),，也是研究時間序列挖掘的核心問題之一[2],。歐氏距離(Euclidean)和動態(tài)時間彎曲距離(Dynamic Time Warping)是計算時間序列相似性時經(jīng)常被采用的兩種度量方式,。歐氏距離對時間軸上的輕微變化非常敏感，一些輕微的變化可能使歐氏距離的變化很大,，而動態(tài)時間彎曲距離可以有效地消除歐氏距離這個缺陷，動態(tài)時間彎曲可以廣泛應(yīng)用在自然科學(xué),、醫(yī)學(xué)、企業(yè)和經(jīng)濟等方面[3],。SAX(Symbolic Aggregate Approximation)[4]是一種運用符號化方法對時間序列進行表示,、維度約簡及相似性度量的方法,。但SAX方法采用PAA算法將時間序列平均劃分,，不能很好地計算序列之間的相似度。而利用均分點和關(guān)鍵點對序列進行分段,，既考慮了序列本身概率分布的變化,又兼顧到序列形態(tài)的變化,。
本文提出一種基于DTW的符號化時間序列聚類算法,，在提取關(guān)鍵點之后，再進行符號化時間序列,，以達到降維的目的,。降維之后得到的符號序列為不等長序列,，采用動態(tài)時間彎曲距離(DTW)方法進行計算, 魯棒性好。然后通過DTW得到的距離矩陣構(gòu)建復(fù)雜網(wǎng)絡(luò),，并尋找其社團結(jié)構(gòu),實現(xiàn)了符號時間序列聚類,。本文用DTW方法進行相似性度量比KPDIST[4]在聚類結(jié)果的準(zhǔn)確率上有較好大提高。
1 相關(guān)知識
1.1時間序列關(guān)鍵點的選取
基于參考文獻[5]可知,，時間序列中的極值點EP成為關(guān)鍵點KP的條件為：
條件1. xi保持極值的時間段與該序列長度的比值必須大于某個閾值C；
條件2. 若條件1不滿足,，則包含xi的最小序列模式<xi-1,xi,xi+1>中, 三點連線形成的夾角小于篩選角度α0,。
2.2 基于DTW的符號化聚類算法
輸入：時間序列集,。
輸出：聚類結(jié)果。
(1)對每個序列,，運用上面的算法得到最終的關(guān)鍵點序列,；
(2)計算序列C在各區(qū)間[KPci,KPcj)內(nèi)的均值,，并表示為符號序列；
(3)對序列C和序列Q的符號序列進行相似性距離計算（DTW計算和KPDIST計算）,；
(4)根據(jù)相似度,，構(gòu)建復(fù)雜網(wǎng)絡(luò)G,；此處要給相似度賦予一個閾值,相似性小于閾值的點則認(rèn)為無邊連接,。
(5)用Normal矩陣方法FCM算法對復(fù)雜網(wǎng)絡(luò)G進行社團劃分，得到聚類結(jié)果,。
3 實驗結(jié)果與分析
本文實驗采用Keogh博士的Synthetic Control和ECG數(shù)據(jù)集,。實驗環(huán)境為2.66 GHz CPU Pentium@4 PC機， 1 GB內(nèi)存,，操作系統(tǒng)為Windows XP Professional,。算法實現(xiàn)軟環(huán)境為matlab 7.0和VC++6.0。Synthetic Control數(shù)據(jù)集的實驗數(shù)據(jù)為300條,，每條時間序列長度為60。ECG數(shù)據(jù)集有100個樣本序列,每條時間序列長度為96（http://www.cs.ucr.edu/~eamonn/time_series_data/）,。原時間序列維度為60和96，經(jīng)過關(guān)鍵點提取,、符號化之后，維度大大降低,這為后期處理帶來了很大的方便,。 在本實驗中,，關(guān)鍵點提取時篩選角度為45°,，預(yù)設(shè)的壓縮率為80%,，劃分了4個區(qū)間段,，用符號表示時為a,b,c,d四種字母。由于實驗數(shù)據(jù)的樣本個數(shù)很多,，這里只顯示synthetic control的部分實驗結(jié)果,。表1為降維后的前4個符號序列實驗結(jié)果。
表2為Normal矩陣得到的非平凡特征值對應(yīng)的非平凡特征向量,，根據(jù)譜平分算法思想,，同一社團內(nèi)的節(jié)點相應(yīng)的元素xi非常接近。從特征向量的分析中可以看出,，將DTW與復(fù)雜網(wǎng)絡(luò)知識應(yīng)用在符號化時間序列上是一種較好的創(chuàng)新,。
由DTW距離矩陣得到的網(wǎng)絡(luò)中，第一非平凡特征值取值為：0.252 9,，而通過KPDIST距離矩陣得到的復(fù)雜網(wǎng)絡(luò)中，第一非平凡特征值取值為：0.125 7,，從特征值中就可以初步判斷,，DTW得到的特征值更為準(zhǔn)確,，這兩個特征值對應(yīng)的特征向量的區(qū)間表如表2所示。
表3為兩種算法對同樣數(shù)據(jù)集進行聚類得到的結(jié)果,。數(shù)據(jù)集Synthetic control采用本文方法正確率為76.3%,。而利用KPDIST算法正確率為69%；數(shù)據(jù)集ECG,，本文的正確率為72%,，KPDIST的正確率為65%。
SAX是一種符號化的時間序列相似性度量方法,，該方法在對時間序列劃分時,，采用了PAA算法的均值劃分，得出的結(jié)果不能精確地表示出原時間序列,，故將關(guān)鍵點提取方法與PAA方法相結(jié)合,在對原序列降維的同時又能更準(zhǔn)確地表示原時間序列,。本文將復(fù)雜網(wǎng)絡(luò)知識和時間序列降維方法相結(jié)合，給出了一種時間序列的聚類方法,。該算法用DTW算法計算時間序列間的相似度,，而后從時間序列的相似度得到一個復(fù)雜網(wǎng)絡(luò)，此復(fù)雜網(wǎng)絡(luò)表示了時間序列相互間的關(guān)系,。最后采用Normal矩陣的方法進行網(wǎng)絡(luò)劃分,，得到一個網(wǎng)絡(luò)的社團結(jié)構(gòu)。從這個社團結(jié)構(gòu)中已能看出樣本時間序列的歸屬類別,，但為了結(jié)果更加清晰,，用具體數(shù)字來體現(xiàn)，所以采用了FCM聚類算法進行最后的聚類,。實驗結(jié)果表明,，用DTW方法計算序列之間的相似度結(jié)合在降維后的符號化時間序列上比原文KPDIST方法在準(zhǔn)確率上有較好大提高。
參考文獻
[1] 毛國君,段立娟,王實,等.數(shù)據(jù)挖掘原理與算法（第二版）[M].北京：清華大學(xué)出版社,，2007.
[2] 劉懿,鮑德沛,楊澤紅.新型時間序列相似性度量方法研究[J].計算機應(yīng)用研究,2007,24(5):112-114.
[3] KEOGH E, RATANAMAHATANA C A. Exact indexing of dynamic time warping[J]. Springer-Verlag London Ltd, 2005, 10.1007/s10115-004-0154-9:358-386.
[4] 閆秋艷,孟凡榮.一種基于關(guān)鍵點的SAX改進算法[J].計算機研究與發(fā)展,2009,46(z2):483-490.
[5] 杜奕.時間序列挖掘相關(guān)算法研究及應(yīng)用[D].合肥：中國科學(xué)技術(shù)大學(xué)，2007.
[6] 汪小帆,李翔,陳關(guān)榮.復(fù)雜網(wǎng)絡(luò)理論及其應(yīng)用[M].北京：清華大學(xué)出版社,，2006:169-171.