本研究基于数据时间聚类的不变性，提出了分析多变量临床时间序列数据的模型以及一种数据扩充技术方案，用于规范化深度神经网络中医学预测任务，该方法以评估医疗预测任务为基准，提高了其预测精度。

Apr, 2019

本文介绍了一种用于检测变点和识别瞬态多变量时间序列数据中相应子序列的算法，该算法使用基于递归神经网络 (RNN) 的自编码器 (AE)，通过重构误差和潜在空间信息来建立子序列模型，提出一种基于曲率的相似性度量进行更直观的时间序列子序列聚类，通过与其他七种算法的对比实验表明，我们的算法可以更好地在线及离线聚类多变量时间序列数据。

Sep, 2022

本文提出了一种基于 STICC 方法的多元空间聚类方法，该方法通过构建马尔可夫随机场以表征子区域之间的属性依赖关系，利用空间一致性策略鼓励附近的对象归属于同一聚类，应用实验表明 STICC 算法对于保持空间连续性和发现重复地理模式等方面优于其他基线方法。

Mar, 2022

本文提出了一种名为 Dynamic Multi-network Mining（DMM）的新方法，用于将张量时间序列转化为一组具有多种长度（即聚类）的段群，并结合 l1-norm 的依赖网络对其进行子序列聚类，以实现可解释性、准确性和可扩展性，并通过实验验证了其在聚类准确性方面优于现有方法。

Feb, 2024

本研究提出了一种利用退火机的新型时间序列聚类方法，对时间序列数据进行分类的同时，具有去除异常值的鲁棒性。与现有的聚类方法相比，该方法在分类结果上获得了更好的表现。

May, 2023

利用弱监督学习将多变量时间序列分类重新定义为多实例学习问题，通过引入基于时间感知的多实例学习池化，结合专门设计的可学习小波位置标记的令牌化变换器，以更好地定位和建模时间序列中感兴趣的模式，并表明该方法在多变量时间序列分类方面的优越性。

May, 2024

我们研究了无监督异方差协方差估计的问题，其中的目标是学习给定观察值 x 的多元目标分布 N (y, Σy|x)。我们通过推导 TIC：Taylor Induced Covariance 来解决预测协方差是否能真正捕捉到预测均值的随机性的问题，并通过引入 TAC：Task Agnostic Correlations 度量来解决在没有基准注释的情况下如何评估协方差估计性能的问题。我们的实验证明 TIC 在准确学习协方差方面优于现有技术，并通过 TAC 进行了量化。

Oct, 2023

时间序列预测中，通过引入一种能平衡个体通道处理和通道间关联的渠道策略，我们研发了可提升预测性能的通道聚类模块。在实验中，该模块通过提高长期和短期预测的性能分别平均提升 2.4% 和 7.2%，并使得主流时间序列预测模型能够进行零 - shot 预测，揭示通道间的内在时间序列模式和改善复杂时间序列模型的解释性。

Mar, 2024

该研究提出一种基于两阶段聚类的时间序列聚类新技术，其中使用最小二乘多项式分段过程对每个时间序列进行分段，并将它们映射到相同维度的空间中进行一系列的聚类过程，最终结果很有前途，并在与两种最新方法相比较时显示出性能表现优异。

Oct, 2018

该论文提出了一种称为强健时间序列簇核的方法，使用了高斯混合模型和信息先验分布来处理缺失数据，并采用集成学习方法来确保对参数的鲁棒性。实验结果表明，该方法对于参数的选择鲁棒，在处理缺失数据的情况下表现出色。

Apr, 2017