Quantile-based fuzzy C-means clustering of multivariate time series: Robust techniques
多变量时间序列的分位数模糊 C 均值聚类：稳健方法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：摘要明确研究多变量时间序列的谱依赖结构与聚类，直接对应时间序列方法。
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…
多变量时间序列的分位数模糊 C 均值聚类：稳健方法
- 研究问题
- 如何按照生成过程的依赖结构对多变量时间序列聚类，并减少依赖结构异常的序列对模糊聚类结果的影响？
- 方法与思路
- 作者在基于分位数交叉谱密度估计与主成分分析的模糊 C 均值模型中，分别采用稳健距离、人工噪声簇和剔除异常序列三种策略。
- 材料陈述的贡献
- 摘要称，三种方法保留了识别一般依赖结构的能力，在线性、非线性及 GARCH 模拟中有效应对异常序列，并展示金融与环境应用。
- 阅读关注点
- 应核对交叉谱估计、降维和聚类步骤，以及异常序列定义、稳健化参数选择、比较方法与模拟中评价聚类效果的标准。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要宣称优于替代方法，但未提供数值、完整比较设置或稳健性边界。
原文摘要
Three robust methods for clustering multivariate time series from the point of view of generating processes are proposed. The procedures are robust versions of a fuzzy C-means model based on: (i) estimates of the quantile cross-spectral density and (ii) the classical principal component analysis. Robustness to the presence of outliers is achieved by using the so-called metric, noise and trimmed approaches. The metric approach incorporates in the objective function a distance measure aimed at neutralizing the effect of the outliers, the noise approach builds an artificial cluster expected to contain the outlying series and the trimmed approach eliminates the most atypical series in the dataset. All the proposed techniques inherit the nice properties of the quantile cross-spectral density, as being able to uncover general types of dependence. Results from a broad simulation study including multivariate linear, nonlinear and GARCH processes indicate that the algorithms are substantially effective in coping with the presence of outlying series (i.e., series exhibiting a dependence structure different from that of the majority), clearly poutperforming alternative procedures. The usefulness of the suggested methods is highlighted by means of two specific applications regarding financial and environmental series.