仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
分享一个顶会热门主题：时间序列+聚类。它同时也是数据挖掘与模式识别的核心课题，能高效挖掘数据模式，提高预测和分析的准确性，非常适合多变的数据环境，比如金融、医疗、零售、制造业等领域。
这方向近年来在工业界的需求增长不断，研究前景广阔。当前顶会上相关论文成果多聚焦于跨领域模型构建与实际场景适配，比如华东师大的DUET。如果想发论文，建议从数据特性（如多模态）和算法效率（如轻量化）切入，结合最新技术（如扩散模型）搞创新。
本文整理了11篇时间序列+聚类新论文，开源代码已附，包含最近的顶会顶刊成果，供各位做参考，没思路或有其他问题也欢迎交流~
扫码添加小享，回复“时序聚类”
免费获取全部论文+开源代码
方法：论文旨在解决多变量时间序列预测中由时间分布转移（TDS）引起的异质时间模式问题，通过提出一种名为DUET的新方法，结合通道和时间的双重聚类策略及蒙面注意力机制，以提高预测准确性和模型效率。
创新点：
DUET通过在时间和通道两个维度上进行双重聚类，有效地提取多元时间序列中的异质性时间模式和通道依赖性。
DUET采用通道软聚类（CSC）策略，通过度量学习在频率空间中柔性地聚类通道，并生成相应的通道掩码矩阵以实现稀疏连接。
方法：本文提出了一种名为通道聚类模块（CCM）的新方法，通过在时间序列模型中平衡单个通道的处理与跨通道的依赖关系捕捉，实现了在零样本预测中的显著提升，并在跨领域场景中展现出更好的泛化能力。
创新点：
CCM通过动态将具有内在相似性的通道分组，利用聚类信息代替个别通道身份，从而实现通道独立（CI）和通道依赖（CD）策略的最佳融合。
通过集群分配器，CCM在训练阶段创建每个集群的原型嵌入，在自监督上下文中引入了集群损失函数。
CCM为每个集群分配独立的前馈网络，以替代对每个通道的个别处理。
扫码添加小享，回复“时序聚类”
免费获取全部论文+开源代码
方法：论文提出了一种名为E2Usd的方法，用于多变量时间序列的无监督状态检测。该方法通过时间序列压缩和分解嵌入模块对时间序列进行高效编码，并利用对比学习方法fnccLearning减少假阴性样本的影响，生成有利于聚类的嵌入空间，最终通过聚类算法实现状态检测。
创新点：
提出基于快速傅里叶变换的压缩模块和分解双视图嵌入模块，在保留时间序列关键信息的同时，显著降低计算开销。
设计了fnccLearning，通过趋势和季节性相似性筛选负样本对，减少假阴性样本的影响，提升嵌入空间的聚类友好性。
引入adaTD，通过动态调整阈值判断时间序列状态变化，减少在线流式场景中的冗余聚类计算，提高检测效率。
方法：论文提出了一种名为k-Graph的时间序列聚类方法，通过将时间序列转化为图结构，利用图的节点和边捕捉序列特征和关系，从而实现高效且可解释的聚类。实验表明，k-Graph在准确性上优于或至少等同于当前最先进的聚类方法。
创新点：
k-Graph提出了一个新颖的图嵌入方法，用于单变量时间序列聚类。
k-Graph展现出强大的抗噪能力，尤其是在高噪声比的时间序列数据集中，其胜率高达68%。
k-Graph引入了图元的概念，通过计算节点的代表性和排他性，用户可以评估识别节点的有效性。
扫码添加小享，回复“时序聚类”
免费获取全部论文+开源代码
