Time Series Clustering with an EM algorithm for Mixtures of Linear Gaussian State Space Models
基于线性高斯状态空间混合模型与 EM 算法的时间序列聚类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：摘要直接研究时间序列的动态建模与聚类，符合时间序列方向；未提供宏观应用、因子结构或预测任务的直接证据。
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…
基于线性高斯状态空间混合模型与 EM 算法的时间序列聚类
- 研究问题
- 如何对多条个体时间序列进行模型化聚类，同时用足够灵活的动态模型刻画各类序列，并估计参数和选择聚类数量？
- 方法与思路
- 作者采用线性高斯状态空间模型的混合分布，以新提出的 EM 算法估计模型参数，再使用贝叶斯信息准则确定类别数量。
- 材料陈述的贡献
- 摘要称，模拟支持该方法在聚类、参数估计和模型选择中的有效性；常用真实数据集上的聚类准确性达到或超过比较方法。
- 阅读关注点
- 应核对状态空间模型的参数化、EM 初始化与局部最优问题，以及信息准则的计算方式、数据集和聚类评价标准。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明实验规模及具体结果，比较结论限于所述实验。
原文摘要
In this paper, we consider the task of clustering a set of individual time series while modeling each cluster, that is, model-based time series clustering. The task requires a parametric model with sufficient flexibility to describe the dynamics in various time series. To address this problem, we propose a novel model-based time series clustering method with mixtures of linear Gaussian state space models, which have high flexibility. The proposed method uses a new expectation-maximization algorithm for the mixture model to estimate the model parameters, and determines the number of clusters using the Bayesian information criterion. Experiments on a simulated dataset demonstrate the effectiveness of the method in clustering, parameter estimation, and model selection. The method is applied to real datasets commonly used to evaluate time series clustering methods. Results showed that the proposed method produces clustering results that are as accurate or more accurate than those obtained using previous methods.