Simultaneous optimisation of clustering quality and approximation error for time series segmentation

تقسیم بندی سری زمانی برای نشان دادن یک سری زمانی با استفاده از مجموعه ای از بخش ها انجام می شود. برخی از محققان تقسیم بندی را با تقریب هر بخش با یک مدل ساده (به عنوان مثال یک درونالیزاسیون خطی) انجام می دهند، در حالی که دیگران تلاش خود را برای به دست آوردن گروه های همگن از بخش ها متمرکز می کنند تا بتوان الگوهای یا رفتارهای معمول را شناسایی کرد. فرضیه اصلی این مقاله این است که هر دو هدف در تعارض هستند، بنابراین تقسیم بندی سری زمانی پیشنهاد می شود که از دیدگاه چند هدفه ای که هر دو هدف در نظر گرفته می شود، مورد توجه قرار گیرد و متخصص می تواند راه حل مورد نظر را از جبهه پارتو از تقسیم بندی های مختلف انتخاب کند. یک الگوریتم تکاملی چند منظوره خاص برای تصمیم گیری برش نقاط از بخش ها طراحی شده است، یکپارچه سازی یک الگوریتم خوشه بندی برای ارزیابی تناسب اندام. اعتبار تجربی روش شناسی شامل سه سری زمان مصنوعی و سه سری زمانی از مسائل دنیای واقعی است. معیارهای ارزیابی کیفیت خوشه بندی نه در مقایسه با الگوریتم مناسب برای تصمیم گیری مناسب تر است. الگوریتم پیشنهادی عملکرد خوب برای هر دو کیفیت خوشه بندی و خطای بازسازی را نشان می دهد، نتایج سایر گزینه های یک جانبه ای از پیشرفته را بهبود می بخشد و نتایج بهتر را نشان می دهد تا یک ترکیب خطی با وزن ساده از هر دو عملکرد تناسب مربوطه.