提出了一个基于多方面图的路径模型，一种考虑流逝时间的新的路径相似度度量，以及一种基于传统中心性度量的路径挖掘方法，通过评估妊娠和糖尿病的病例，展示了该框架在发现类似路径、易于解释的表示以及根据多方面视角突出显示最重要模式方面的实用性。
Sep, 2023
本文研究了对于电子健康记录中的时间序列医疗数据进行聚类的方法，发展了基于深度学习的方法，利用新的损失函数，以相似的未来结果进行聚类，超过现有的基准测试，提出了可制定具体行动的信息用于临床决策。
Jun, 2020
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
本综述旨在调查基于患者路径或轨迹的新型研究领域，重点关注路径的表示模型、挖掘技术、分析方法和案例研究，并讨论了采集大量患者的电子医疗数据的挑战。
Jun, 2022
在医疗保健领域，通过收集多变量时间序列的患者数据，可以全面了解患者的健康状况。在缺少标签的情况下，可以利用预测模型预测未来值，并且形成潜在的聚类空间。我们比较了两种模型（M AGMAC LUST 和 DGM2），通过使用 Withing 的数据集进行评估，前者聚类整个时间序列，而后者允许个体的群组归属随时间改变（即动态聚类）。
Dec, 2023
该研究旨在通过使用双分图表示患者和医生之间的关系，将患者和医生之间的相似性作为时间敏感预测模型的潜在表示方法，并对慢性淋巴细胞白血病患者进行治疗首次疗程的预测实验，结果表明与多个基线相比，和关系相似度能够提高预测准确率达到 5%。
Jul, 2019
该研究旨在开发一种无监督学习框架，能够在未标记的事件触发时间序列中学习任务感知的相似性，该框架利用多尺度自编码器和高斯混合模型有效地学习时间序列的低维表示，得到的相似度量易于解释，通过广泛的实验表明，该方法明显优于现有的方法。
Jul, 2022
在这篇论文中，描述了城市交通模式聚类的两个重要应用：第一个应用程序通过使用具有相似交通模式的道路段的速度来给地图块上色以估计缺失的速度值。第二个应用程序是使用不同道路段的相似模式来生成地图上某个当地点的地址所需的基本道路段的估计。本文提出了基于 K-Means 和动态时间规整的时间序列聚类算法。我们提出的算法的案例研究基于 Snapp 应用程序的司机速度时间序列数据。这两个应用程序的结果表明，所提出的方法能够提取相似的城市交通模式。
通过对 MIMIC-III 数据库中的患者临床事件序列进行分析和测试，我们提出并研究了多种新的事件序列预测模型和方法，旨在更好地调整个体患者和其特定状况的预测。
Aug, 2023
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