.png){kind=icon}
返回
BURST: Rendering Clustering Techniques Suitable for Evolving Streams
.png){kind=icon}
PRE
AI
DOI：10.14778/3749646.3749675.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
识别流式时间序列数据中的模式或聚类对决策至关重要，并支撑着异常检测、预测和数据质量监控等应用。尽管已提出众多聚类算法，但许多在时间序列领域尚未被探索，其他则不适合流式场景。此外，许多有效方法需要预先知道聚类数量，这在处理演变数据流时是一个显著限制。为解决这些挑战，我们提出BURST，一个原则性和通用型框架，能够将基于划分的聚类方法应用于流式时间序列设置。在其核心，BURST集成了AutoKC，一种新颖的自适应算法，用于自动估计聚类数量，增强对演变时间序列流的鲁棒性。实验分析表明，BURST是实时时间序列聚类的一种鲁棒策略，能够有效泛化至不同的划分方法，并与现有算法相比实现了最先进的表现。
Keyword:
ANOMALY DETECTION
EFFICIENT
REPRESENTATION
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
引用论文
.png){kind=icon}
TSB-AutoAD: Towards Automated Solutions for Time-Series Anomaly DetectionTSB-AutoAD：面向时间序列异常检测的自动化解决方案
PREAI
分享收藏分享收藏
查看更多内容