K-ARMA Models for Clustering Time Series Data
用于时间序列聚类的 K-ARMA 模型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：摘要直接研究基于 AR、ARMA 和 ARIMA 模型的时间序列聚类及诊断。
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…
用于时间序列聚类的 K-ARMA 模型
- 研究问题
- 如何用时间序列模型推广 K-Means 聚类，并处理异常值、聚类拟合诊断以及初始化导致的空簇问题？
- 方法与思路
- 作者提出 K-Models，将其用于 AR、ARMA 和 ARIMA 聚类，以最小绝对偏差增强稳健性，并基于 Ljung-Box 统计量构造诊断。
- 材料陈述的贡献
- 摘要称证明一般算法收敛并联系硬 EM，展示异常检测与分布漂移用途，真实数据实验显示其与现有方法具有竞争力。
- 阅读关注点
- 应核对收敛指向的解与全局最优性的区别、模型阶数和簇数选择、初始化处理，以及聚类后拟合检验的校准方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收。摘要未说明收敛条件、具体比较指标，也未保证普遍优于其他方法。
原文摘要
We present an approach to clustering time series data using a model-based generalization of the K-Means algorithm which we call K-Models. We prove the convergence of this general algorithm and relate it to the hard-EM algorithm for mixture modeling. We then apply our method first with an AR($p$) clustering example and show how the clustering algorithm can be made robust to outliers using a least-absolute deviations criteria. We then build our clustering algorithm up for ARMA($p,q$) models and extend this to ARIMA($p,d,q$) models. We develop a goodness of fit statistic for the models fitted to clusters based on the Ljung-Box statistic. We perform experiments with simulated data to show how the algorithm can be used for outlier detection, detecting distributional drift, and discuss the impact of initialization method on empty clusters. We also perform experiments on real data which show that our method is competitive with other existing methods for similar time series clustering tasks.