聚类“访问时间”数据序列

Question

我有许多如下所示的数据序列：

s1 = t11, t12, ..., t1m_1

s2 = t21, t22, ..., t2m_2

...

si = ti1, ti2, ..., tim_i

si means the i-th sequence, tij means the i-th sequence be accessed at time tj

每个序列具有不同的数据长度(m_1可能不等于m_2)，

并且每个序列的数据意味着序列si在ti1，ti2，...，tim_i被访问的时间。

我的目标是对相似的访问时间序列进行聚类。

我不确定我是否可以将这个问题转化为时间序列问题。

就我对时间序列数据的理解而言，每个序列的数据是指当时的值，就像股票数据一样，但我的序列的值是指序列被访问的时间。

如果它可以转化为时间序列问题，但还有另一个问题。问题是，序列的访问时间是非常离散的(可能在1s，1000s，2000s)，所以如果我将其转换为时间序列格式，它的空间将非常大，我认为这不能运行像(DTW)这样的算法集群，它的时间复杂度可能太大。

Answer 1

正如您所指出的，由于比较前两个系列的takes k * m_1 * m_2 operations，DTW将会相当慢。

为了避免这种情况，并更容易地比较您的序列，您可能会以某种方式将它们敲打成相同的格式(从而也会丢失信息)。

以下是一些想法：

1. 进行区分以获得访问间隔时间，并在所有数据上构建具有固定柱状图的直方图。
2. 计算每周每分钟的访问次数(并除以每周分钟在每个系列中出现的次数)。适应interest.
3. Count“到目前为止的访问次数”的时间尺度。因此，不是只在进行访问时才有数据点(“稀疏”)，而是每个时间戳(“密集”)都有一个数据点，显示直到当前分钟的每一分钟的访问。

#3将类似于"integral image" in computer vision。在此之后，新的摘要技术出现了，比如移动平均，甚至是直接比较(如果记录是并行发生的)。

为了选择更有用的表示，您需要考虑在应用程序中什么是有意义的。

得到统一长度的表示后，您可以使用更便宜的similarity measures。一个典型的例子是cosine similarity (但一定要先规范化)。