文献

J-GLOBAL ID：201902287731854876   整理番号：19A1258723

共通主成分分析に基づく多変量時系列クラスタリング【JST・京大機械翻訳】

Multivariate time series clustering based on common principal component analysis

著者 (2件)： Li Hailin (College of Business Administration, Huaqiao University, Quanzhou, China) ,  Li Hailin (Research Center for Applied Statistics and Big Data, Huaqiao University, Xiamen, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 349  ページ： 239-247  発行年： 2019年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 時系列クラスタリングは,パターン認識にしばしば適用され,次元縮小,特徴抽出,分類および可視化を含む時系列データマイニングの分野におけるタスクの基礎としても適用される。多変量時系列の高次元性と単変量時系列クラスタリングに集中する以前の研究の大部分により,通常の主成分分析に基づく新しい方法を提案し,多変量時系列クラスタリングをより高速で正確に達成した。それは,従来のクラスタリング法K-Meansによって触発され,各クラスタのプロトタイプとして共通の投影軸を構築することができる。さらに,対応する共通射影軸上に投影された各多変量時系列の再構成誤差を用いて,クラスタのメンバーを再割り当てした。提案方法Mc2PCAの詳細アルゴリズムを与えて,時間複雑性を解析して,それは提案方法が非常に高速であり,その時間複雑性が多変量時系列対象の数に対して線形であることを示した。従来の方法と異なり,提案方法は,変数と多変量時系列の元のデータ値の分布の間の関係を考慮する。種々のデータセットにおける実験結果は,Mc2PCAが多変量時系列クラスタリングのための従来の方法より優れていることを実証した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： データマイニング ,  再構成 ,  プロトタイプ ,  射影 ,  高速度 ,  次元縮小 ,  *クラスタ ,  *主成分分析 ,  *クラスタ化 ,  可視化 ,  アルゴリズム ,  特徴抽出 ,  パターン認識
準シソーラス用語： 複雑性 ,  *多変量 , 【Automatic Indexing@JST】

著者キーワード (5件)： 多変量時系列 ,  クラスタリング解析 ,  共通主成分分析 ,  データマイニング ,  次元縮小

分類 (2件)： 人工知能  (JE08000Z) ,  数値計算  (JE02000J)

タイトルに関連する用語 (4件)： 主成分分析 ,  多変量 ,  時系列 ,  クラスタリング