Time Series Clustering Using DBSCAN
使用 DBSCAN 进行时间序列聚类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：摘要直接以多元时间序列聚类及其一致性为研究对象，对应时间序列方法；高频数据表述不足以支持金融高频分类。
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
使用 DBSCAN 进行时间序列聚类
- 研究问题
- 对于多元时间序列聚类，能否为 DBSCAN 建立明确的一致性概念与理论依据，从而回应现有方法依赖启发式或限制性假设的问题？
- 方法与思路
- 作者拟研究 DBSCAN 在多元时间序列聚类任务中的一致性；摘要没有说明序列的表示方式、距离选择或具体理论推导路径。
- 材料陈述的贡献
- 摘要明确提出证明 DBSCAN 时间序列聚类一致性的研究目标，但没有陈述具体定理、所需条件、收敛速度或实验结果。
- 阅读关注点
- 核对一致性的精确定义、时间依赖与聚类对象、距离和调参规则，以及全文是否完成摘要所提出的理论目标及其条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验；摘要主要陈述研究目标，不能把拟证明的一致性当作已经验证的结论。
原文摘要
Economic policy and research rely on the correct evaluation of the billions of high-frequency data points that we collect every day. Consistent clustering algorithms, like DBSCAN, allow us to make sense of the data in a useful way. However, while there is a large literature on the consistency of various clustering algorithms for high-dimensional static clustering, the literature on multivariate time series clustering still largely relies on heuristics or restrictive assumptions. The aim of this paper is to prove a notion of consistency of DBSCAN for the task of clustering multivariate time series.