Clustering Multivariate Time Series using Energy Distance
利用能量距离聚类多变量时间序列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：摘要核心是平稳时间序列的分布距离与聚类，并包含 GDP 序列应用。
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…
利用能量距离聚类多变量时间序列
- 研究问题
- 如何依据时间序列的有限维分布差异，对多变量时间序列进行非参数聚类，并为所用距离估计提供理论依据？
- 方法与思路
- 作者以能量距离统计量形成两两差异矩阵，再进行层次聚类；在平稳、遍历时间序列框架下研究距离估计的渐近性质。
- 材料陈述的贡献
- 摘要提出无需指定参数模型的聚类程序，并以线性、非线性序列模拟及国家 GDP、美国州人口数据展示方法。
- 阅读关注点
- 应核对有限维分布的构造方式、距离如何利用序列依赖，以及渐近结论与实际聚类稳定性之间的联系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；非参数方法仍有平稳性等要求，摘要未说明全部条件及数值表现。
原文摘要
A novel methodology is proposed for clustering multivariate time series data using energy distance defined in Székely and Rizzo (2013). Specifically, a dissimilarity matrix is formed using the energy distance statistic to measure separation between the finite dimensional distributions for the component time series. Once the pairwise dissimilarity matrix is calculated, a hierarchical clustering method is then applied to obtain the dendrogram. This procedure is completely nonparametric as the dissimilarities between stationary distributions are directly calculated without making any model assumptions. In order to justify this procedure, asymptotic properties of the energy distance estimates are derived for general stationary and ergodic time series. The method is illustrated in a simulation study for various component time series that are either linear or nonlinear. Finally the methodology is applied to two examples; one involves GDP of selected countries and the other is population size of various states in the U.S.A. in the years 1900 -1999.