23906

خوشه بندي سري هاي زماني توسط تشخيص اجتماع پيوندي در شبكه ها

كارشناسي ارشد

مهندسي فناوري اطلاعات گرايش تجارت الكترونيكي

1397

30/11/1399

دكتر بابك اميري

استاد مشاور نداشتم

مهندسي صنايع

در دنياي مبتني بر داده ي امروز، داده هاي سري هاي زماني حوزه هاي مختلف به راحتي نگهداري و ذخيره ميشوند. تحليل و خوشه بندي اين داده ها منجر به تشخيص الگوهاي سودمند و كاربردي ميشود كه ميتوان از آنها براي پيش بيني داده و يا پاسخ به مشكلات دنياي واقعي استفاده كرد. با اين حال، الگوريتم هاي خوشه بندي سنتي و معمولي نتوانسته اند داده هاي سري هاي زماني را به طور مطلوبي خوشه بندي كنند. اخيرا، با هدف بهبود خوشه بندي سري هاي زماني، مدل هاي تركيبي خوشه بندي ارائه شده اند. پژوهش حاضر يك روش نوين براي خوشه بندي سري هاي زماني به كمك تكنيك هاي تشخيص اجتماع ارائه ميكند. در اين روش، فاصله ي بين سري هاي زماني آزمايشي به دست آمده و در قالب يك ماتريس فاصله به عنوان ورودي به تكنيكي داده ميشود كه سري هاي زماني را مانند يك شبكه ميسازد. سپس، يك الگوريتم تشخيص اجتماع پيوندي بر روي شبكه ي به دست آمده اجرا ميشود تا اجتماعات را شناسايي كند. اجتماعات به دست آمده از طريق اين روش، شباهت بسيار زيادي به خوشه هاي حقيقت مبناي سري هاي زماني دارند كه اين تشابه از طريق مقياس هاي اعتبار سنجي ارزيابي ميشود. نتايج و اعتبار سنجي آنها نشان ميدهد كه روش پيشنهادي پژوهش حاضر داراي دقت و صحت بسيار بالايي است و خصوصيات داده هاي سري هاي زماني را به درستي درك ميكند.

1400/03/26

Time series clustering via link community detection in networks

2/19/2022 12:00:00 AM

In today's data-driven world, time series data from various domains are easily stored. Analyzing and clustering time series data leads to the identification of valuable and practical patterns that can be used for prediction purposes or as a response to real-world problems. However, traditional clustering algorithms have not been able to cluster time series data in an optimal way. Recently, hybrid clustering models have been proposed to improve time series clustering. The present study introduces a new method for clustering time series data with the aid of community detection techniques. In this method, the distances between particular time series are calculated and distance values are positioned in a distance matrix. The distance matrix is given as input to network-building technique. Then, a link community detection algorithm is performed on the derived network to identify the communities. The communities discovered through this method are very similar to the ground truth and this similarity is assessed through evaluation measures. The findings and their evaluations show that the proposed method of the present study has a very high accuracy and precision and understands the characteristics of time series data fittingly.

خوشه بندي سري هاي زماني , خوشه بندي تركيبي , تشخيص اجتماع , تشخيص اجتماع پيوندي

Time Series Clustering , Hybrid Clustering , Community Detection , Link Community Detection