Чи існують якісь непідтримувані алгоритми навчання для послідовних даних за часом?

Кожне спостереження за моїми даними збиралося з різницею в 0,1 секунди. Я не називаю це часовим рядом, тому що в ньому немає позначки дати та часу. У прикладах алгоритмів кластеризації (я знайшов в Інтернеті) та PCA, вибіркові дані мають 1 спостереження на випадок і не присвоєні часу. Але мої дані мають сотні спостережень, зібраних кожні 0,1 секунди на транспортний засіб, і транспортних засобів багато.

Примітка. Це питання я задавав і на кворі.

У вас є послідовність подій відповідно до часу, тому не соромтесь називати це часовий ряд!

Кластеризація у часових рядах має 2 різні значення:

1. Сегментація часових рядів, тобто ви хочете сегментувати окремий часовий ряд на різні часові інтервали відповідно до внутрішньої подібності.
2. Кластеризація часових рядів, тобто у вас є кілька часових рядів, і ви хочете знайти різні кластери відповідно до подібності між ними.

Я припускаю, що ви маєте на увазі другу, і ось моя пропозиція:

У вас багато транспортних засобів і багато спостережень на транспортний засіб, тобто у вас багато транспортних засобів. Отже, у вас є кілька матриць (кожен транспортний засіб - це матриця), і кожна матриця містить N рядків (Nr спостережень) і T стовпців (часових точок). Одне з пропозицій могло б застосувати PCA до кожної матриці для зменшення розмірності та спостереження за даними в просторі ПК та побачити, чи є змістовні зв’язки між різними спостереженнями в матриці (транспортному засобі) . Потім ви можете покласти кожне спостереження за всіма транспортними засобами один на одного і скласти матрицю та застосувати PCA до цього, щоб побачити зв'язки одного спостереження між різними транспортними засобами.

Якщо у вас немає негативних значень, матрична факторизація настійно рекомендується зменшити розмірність даних матричної форми.

Ще одна пропозиція може поставити всі матриці один на одного і побудувати тензор N x M x T, де N - кількість транспортних засобів, M - кількість спостережень, а T - часова послідовність, і застосувати тензорний розклад, щоб побачити відносини в усьому світі.

Дуже приємний підхід до кластеризації часових рядів показаний у цьому документі, де реалізація тиха прямо вперед.

Сподіваюся, це допомогло!

Щасти :)

EDIT

Як ви згадали, ви маєте на увазі сегментацію часових рядів, я додаю це до відповіді.

Сегментація часових рядів є єдиною проблемою кластеризації, яка має основну істину для оцінки. Дійсно, ви розглядаєте генеруючий розподіл за часовим рядом і аналізуєте його, я настійно рекомендую це , це , це , це , це і це, де ваша проблема всебічно вивчається. Особливо останній та кандидатська дисертація.

Щасти!