Clustering High-Dimensional Time Series Based on Parallelism
基于趋势平行性的高维时间序列聚类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。
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：题名和摘要直接研究高维时间序列、趋势函数与局部平稳误差，支持时间序列方向的分类。
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…
关注这篇论文的作者
基于趋势平行性的高维时间序列聚类
- 研究问题
- 如何将高维时间序列按趋势形状的平行性分组，在允许组内序列存在垂直位移和误差局部非平稳的情况下确定分组？
- 方法与思路
- 作者以非参数趋势和局部平稳误差建模，估计组内代表趋势及垂直位移，再用兼顾组内相似性与组数的信息准则进行聚类。
- 材料陈述的贡献
- 摘要称，作者建立趋势与位移估计的中心极限定理、聚类准则的一致性，并提出分裂合并算法降低计算负担，提供模拟和实例。
- 阅读关注点
- 应核对趋势平行性的定义、局部平稳误差条件及组间可区分要求，并检查信息准则如何选组数、算法是否可靠实现其目标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出维度增长条件、趋势分离要求或算法收敛保证。
原文摘要
This article considers the problem of clustering high-dimensional time series based on trend parallelism. The underlying process is modeled as a nonparametric trend function contaminated by locally stationary errors, a special class of nonstationary processes. For each group where the parallelism holds, I semiparametrically estimate its representative trend function and vertical shifts of group members, and establish their central limit theorems. An information criterion, consisting of in-group similarities and number of groups, is then proposed for the purpose of clustering. I prove its theoretical consistency and propose a splitting-coalescence algorithm to reduce the computational burden in practice. The method is illustrated by both simulation and a real-data example.