Model-based clustering of time-dependent observations with common structural changes
基于共同结构变化的时间序列模型聚类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以时间序列为建模对象，并依据共同结构变化的发生时间进行聚类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于共同结构变化的时间序列模型聚类
- 研究问题
- 当不同时间序列的水平与动态形态可能不同，能否仅依据行为发生结构变化的时间是否一致，将序列划分为共同变化群组？
- 方法与思路
- 作者用随机次序构造各序列结构变化的潜在表示，使不同观测的变化时间产生共享关系，并将其结合到多种时间依赖模型中。
- 材料陈述的贡献
- 摘要称形成可搭配多种时间模型的一般聚类策略，并以欧盟各国新冠传播过程的同步结构变化作为研究动机。
- 阅读关注点
- 应核对共同变化的定义、随机次序如何诱导分组，以及变化次数不一致或变化时间接近但不相同时如何处理聚类。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收状态未核实；摘要未说明估计算法、聚类不确定性或疫情应用的具体结果。
原文摘要
We propose a novel model-based clustering approach for samples of time series. We assume as a unique commonality that two observations belong to the same group if structural changes in their behaviours happen at the same time. We resort to a latent representation of structural changes in each time series based on random orders to induce ties among different observations. Such an approach results in a general modeling strategy and can be combined with many time-dependent models known in the literature. Our studies have been motivated by an epidemiological problem, where we want to provide clusters of different countries of the European Union, where two countries belong to the same cluster if the spreading processes of the COVID-19 virus had structural changes at the same time.