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

提出了一种新的基于相似度的分类器 Proximity Forest 2.0，它通过采用包括计算上更高效的计算相似度方法、新的弹性相似度度量 ADTW 以及成本函数调优等多种技术，将 UCR 测试集上的表现超过以往同类型分类器，并在某些需要相似度方法处理的测试集上，甚至超过了其他各类方法。

Apr, 2023

本文讨论符号时间序列表示，提出了一种新的算法 edwSAX，该算法可以处理高斯以及非高斯数据分布，用于时间序列索引。

May, 2022

本文提出了一种改进的光谱聚类算法，旨在解决预定义的相似性图可能不是合适的聚类结果，并且传统离散化解决方法与光谱解决方案可能不一致的问题，并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明，该方法相比于现有的聚类方法具有更好的性能。

Nov, 2017

本文提出了两种基于 Apache Spark 的可扩展特征提取方法 60d-SPF 和 6d-SCPSF，以及将预处理后的巨大蛋白质序列输入到聚类算法中的方法。实验证明，与现有的特征提取方法相比，60d-SPF 在聚类算法 SRSIO-FCM 和 SLFCM 中的提取效果显着更好。

Apr, 2022

本文提出了两种点模式聚类的方法，一种是基于集合的新距离的非参数方法，另一种是基于随机有限集理论的模型方法，并在数值实验中得到验证。

Feb, 2017

时间序列汇总是从数据集中生成可解释和有代表性子集的过程。我们引入了一种名为 Time-to-Pattern (T2P) 的时间序列汇总方法，通过学习离散时间序列的信息嵌入，在解释性的潜在空间中找到一组多样性模式来编码最显著的信息，并在综合实验中展示了 T2P 相较之前的工作在模式多样性和处理可扩展性方面的显著改进。

Aug, 2023

本文提出使用深度聚类法作为符号知识提取的预处理方法以获得更好的性能，并讨论了基于超立方体输入空间区域的规则创建被分区可能导致次优解的情况。

Nov, 2022

本文研究利用 Parametric Signal Temporal Logic 设计无监督的时间序列数据特征以解决数据过载问题，以实现对复杂模型和实验产生的大量数据进行自动分类。作者通过几个示例说明了这种技术如何生产可解释性的公式，适合进行分析和理解。

Dec, 2016

提出了一种名为 Interpretable Sequence Clustering Tree（ISCT）的方法，该方法将顺序模式与简明易懂的树状结构相结合，以解决分类序列聚类中的解释性问题。ISCT 利用 k-1 模式生成 k 个叶节点，对应于 k 个聚类，从而直观解释每个聚类的形成方式。实验证明，该方法在提供可解释性的树状结构的同时，能够快速准确地进行聚类分配。

Sep, 2023