基于两种新距离的有序时间序列模糊聚类及其经济应用
本文研究了时间序列比较中的标准化Z-score欧几里得距离与Pearson相关性距离的等价性及其对基于距离的分类或聚类方法的深刻影响，并提出了标准k-Means算法需要修改以保持与Pearson相关性的严格一致性的建议。实验结果表明，标准k-Means算法通常产生相同的结果。
Jan, 2016
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
该论文主要介绍了Fuzzy Cognitive Maps在时间序列预测中的应用。该方法具有知识可解释性、动态特性和学习能力。该论文综述了文献中最重要和最新的基于FCM的时间序列预测模型，并提出了应对现实实验中的挑战和未来研究的思路，如处理非平稳数据和可扩展性问题。此外，为了使其具备快速学习算法，将FCMs与这一领域的主要关注点之一。
Jan, 2022
本研究提出了一种半监督时间序列聚类方法（SS-Shapelets），利用少量标记和传播伪标记的时间序列来发现代表性的形状片段，从而提高聚类准确性，并在UCR时间序列数据集上进行了验证。
Apr, 2023
本文提出了一种新的基于模型的时间序列聚类方法，该方法通过考虑每个聚类所属的系列来拟合K个全局预测模型，然后将每个系列分配给产生最佳预测的模型关联的组。该方法以预测准确性作为构建聚类分区的主要元素，产生了一种新的聚类范例，其中聚类解决方案的质量是通过其预测能力来衡量的。此外，该过程还产生了一种选择时间序列数据库中聚类数量的有效机制，并且可以与任何类回归模型结合使用。大量模拟研究表明，该方法优于其他几种替代技术，包括聚类效果和预测准确性。该方法还应用于多个时间序列文献中使用的标准基准数据集的聚类中，产生了良好的结果。
Apr, 2023
该研究介绍了一种新的模型，基于模糊时间序列结合粒子群优化和加权求和原理，以解决高阶模糊时间序列模型应用中的几个潜在限制，包括预测规则的一致性、随着模型阶数增加数据利用的减少，以及预测规则的一致性与所选区间划分高度相关的问题。研究结果表明，与之前的方法相比，我们的方法能够更准确地对时间序列进行建模。
Oct, 2023
提出了一种用于计算调整兰德指数(Adjusted Rand Index, ARI)的单一框架，其中包括三种直观且可解释的随机模型，适用于硬聚类和模糊聚类，并具有较低的计算复杂度。该论文对所提出的模型的理论和假设与现有的排列模型进行了对比，对合理的模型选择对结果的可靠性至关重要。
Dec, 2023
该论文对k-means时间序列聚类进行了全面评估，重点研究了两种不同的标准化技术：z-标准化和NP-Free，并通过实验使用轮廓分数评估了它们对聚类质量的影响，填补了这方面研究的空白，为时间序列聚类的发展提供了有价值的见解。
Jan, 2024
本文针对环形时间序列的聚类问题，引入了一种基于圆弧的序列相关性度量，采用模糊方法实现多个聚类簇的定位，并在沙特阿拉伯风向时间序列的两个应用中展示了该方法的潜力。
Jan, 2024