Skip to main content
Erweiterte Suche
Anmelden
nach oben
Journal of Classification
Erschienen in:

11.05.2019

Classification for Time Series Data. An Unsupervised Approach Based on Reduction of Dimensionality

verfasst von: M. Isabel Landaluce-Calvo, Juan I. Modroño-Herrán

Erschienen in: Journal of Classification | Ausgabe 2/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this work we use a novel methodology for the classification of time series data, through a natural, unsupervised data learning process. This strategy is based on the sequential use of Multiple Factor Analysis and an ascending Hierarchical Classification Analysis. These two exploratory techniques complement each other and allow for a clustering of the series based on their time paths and on the reduction of the original dimensionality of the data. The extensive set of graphic and numerical tools available for both methods leads to an exhaustive and rigorous visual and metric analysis of the different trajectories, including their differences and similarities, which will turn out to be responsible of the classes ultimately obtained. An application from Finance, used previously in the literature, highlights the versatility and suitability of this approach.
Vorheriger Artikel Mixtures of Hidden Truncation Hyperbolic Factor Analyzers
Nächster Artikel Adjusting Person Fit Index for Skewness in Cognitive Diagnosis Modeling

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Fußnoten
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.
Literatur
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.
Metadaten
Titel
Classification for Time Series Data. An Unsupervised Approach Based on Reduction of Dimensionality
verfasst von
M. Isabel Landaluce-Calvo
Juan I. Modroño-Herrán
Publikationsdatum
11.05.2019
Verlag
Springer US
Erschienen in
Journal of Classification / Ausgabe 2/2020
Print ISSN: 0176-4268
Elektronische ISSN: 1432-1343
DOI
https://doi.org/10.1007/s00357-019-9308-z

Weitere Artikel der Ausgabe 2/2020

A Partial Mastery, Higher-Order Latent Structural Model for Polytomous Attributes in Cognitive Diagnostic Assessments

Cluster Validation for Mixtures of Regressions via the Total Sum of Squares Decomposition

Improving a Centroid-Based Clustering by Using Suitable Centroids from Another Clustering

An Ensemble Feature Ranking Algorithm for Clustering Analysis

Where Should I Submit My Work for Publication? An Asymmetrical Classification Model to Optimize Choice

Mixtures of Hidden Truncation Hyperbolic Factor Analyzers

Premium Partner

    Bildnachweise