❶ 时间序列的聚类不知道怎么聚 求帮助！
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。
时间序列法是一种定量预测方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。
❷ 聚类算法可以和时间序列相结合做预测吗
你好，
如果你处理的数据本身就是时间序列数据，如果采用聚类的话，就会忽略数据的顺序信息。也就是说并不知道得到那些簇之间的先后顺序，既然不知道顺序用时间序列来坐预测就没有什么意义。
你对数据先聚类后预测，我大致能了解你的意图。你可以试着把聚类算法换成序列模式挖掘算法。比如，利用PrefixSpan找出频繁出现的序列模式，那样的话，给定一个序列模式，直接去匹配最符合的频繁模式，就可以做简单的预测。
此外，针对时间序列预测，有专门的比如ARIMA这种算法来进行预测，为什么要先聚类了？
❸ 什么是时间序列聚类呀~~详细点儿的
理解了时间序列与普通数据的区别就明白了。按顺序排列的多个普通数据点构成了时间序列，比如一个单词或短语的发音，在这个发音时间内，频率随时间按一定规律变化，幅值也按自己的规律变化；如果你通过分析很多小段的语音，发现了相似的（频率、幅值）变化规律，就把它们聚类为同一个单词或短语。不知这样比喻是否恰当。
❹ 时间序列模型和神经网络模型有何区别
时间序列模型是指采用某种算法（可以是神经网络、ARMA等）模拟历史数据，找出其中的变化规律，
神经网络模型是一种算法，可以用于分类、聚类、预测等等不用领域；
两者一个是问题模型，一个是算法模型
❺ 聚类分析中，想把曲线走势相近的分成一类，应该怎样做用聚类分析中的哪种方法 在线急求
首先用极差法对数据做标准化，注意，是以国家为单位做标准化，即对行做标准化，一般spss提供的标准化是对列进行标准化的。。。然后跑spss里面的 聚类算法就可以了。
PS：你说的数据算是时间序列序列，聚类时最好不要用欧氏距离，用曼哈顿或闵科夫斯基距离较好。
❻ 增量聚类算法包括哪些
bigshuai
增量聚类算法
目前有关增量聚类的研究主要是将增量数据看成是时间序列数据或按特定顺序的数据, 主要可以分成两类: 一类是每次将所有数据进行迭代,即从第一个数据到最后一个数据进行迭代运算, 其优点是精度高, 不足之处是不能利用前一次聚类的结果, 浪费资源; 另一类是利用上一次聚类的结果,每次将一个数据点划分到已有簇中, 即新增的数据点被划入中心离它最近的簇中并将中心移向新增的数据点, 也就是说新增的数据点不会影响原有划分, 其优点是不需要每次对所有数据进行重新聚类, 不足之处是泛化能力弱, 监测不出孤立点。因此, 如何设计增量聚类算法以提高聚类效率, 成为当前聚类分析的一个重要挑战。
目前存在各种各样的聚类方法[ 3] , 传统的聚类方法主要被划分成五类: 基于层次的、基于划分的、基于密度的、基于网格的和基于模型的聚类。基于层次的聚类和基于划分的聚类是实际生活中应用最为广泛的两类。前者可以进一步划分为自底向上和自顶向下两种[ 1] , 例如CLIQUE[ 3] 、ENCLUS 和MAFIA[ 4] 属于自底向上算法, PROCLUS[ 5] 和ORCLUS[ 6 ]属于自顶向下的算法。但是, 传统的层次聚类算法由于计算量过大不适用于大数据集, 例如BIRCH[ 2] 和CURE[ 7 ] 。传统的基于划分的算法包括k-means、k-modes等等, 其中k-means是现存聚类算法中最经典的聚类算法[ 8, 9] 。
增量聚类是维持或改变k 个簇的结构的问题。比如, 一个特定序列中的新的数据点可能被划分到已有k 个簇的一个簇中, 也可能被划分到新的簇中,此时会需要将另外两个簇变成一个[ 10 ] 。自从H art igan在文献[ 11]中提出的算法被实现[ 12] , 增量聚类就吸引了众人的关注。D. Fisher[ 13] 提出的COBWEB 算法是一种涉及到增量形式数据点的增量聚类算法。文献[ 14, 15]中给出了与数据库的动态方面相关的增量聚类的详细阐述, 文献[ 16 18]中列出了其广泛应用的领域。对增量聚类产生兴趣的动力是主存空间有限, 有些信息不需要存储起来,例如数据点之间的距离, 同时增量聚类算法可以根据数据点集的大小和属性数进行扩展[ 19] 。文献[ 10, 17]中也对于求解增量聚类问题的算法进行了研究。
现在很多聚类算法都是对单一数据类型的数据进行聚类, 但是现实数据中非常多的数据都是混合数据类型的数据, 既包含数值属性数据, 还是分类属性数据, 简单地丢弃其中一种数据类型, 或者将其中一种数据类型转换成另一种, 都会影响聚类的精度。因此, 混合属性数据增量聚类的研究具有非常重要的意义。
2 基于传统聚类方法及其变形的增量聚类算法
现在对于增量聚类方法的增量处理主要集中在三个方面, 一类是基于传统聚类方法及其各种变形的增量聚类算法, 一类是基于生物智能的增量聚类算法, 另一类是针对数据流的聚类算法。