Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Prediction of Protein Oxidation Sites Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Robust Clustering for Time Series Using Spectral Densities and Functional Data Analysis

verfasst von : Diego Rivera-García, Luis Angel García-Escudero, Agustín Mayo-Iscar, Joaquín Ortega

Erschienen in: Advances in Computational Intelligence

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In this work a robust clustering algorithm for stationary time series is proposed. The algorithm is based on the use of estimated spectral densities, which are considered as functional data, as the basic characteristic of stationary time series for clustering purposes. A robust algorithm for functional data is then applied to the set of spectral densities. Trimming techniques and restrictions on the scatter within groups reduce the effect of noise in the data and help to prevent the identification of spurious clusters. The procedure is tested in a simulation study, and is also applied to a real data set.

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
Vorheriges Kapitel A Pliant Arithmetic-Based Fuzzy Time Series Model
Nächstes Kapitel Introducing a Fuzzy-Pattern Operator in Fuzzy Time Series
Literatur
1.
Aghabozorgi, S., Shirkhorshidi, A.S., Wah, T.Y.: Time-series clustering - a decade review. Inf. Syst. 53, 16–38 (2015)CrossRef
2.
Alvarez-Esteban, P.C., Euán, C., Ortega, J.: Statistical analysis of stationary intervals for random waves. In: Proceedings of International Society of Offshore and Polar Engineering Conference, vol. 3, pp. 305–311 (2016)
3.
Alvarez-Esteban, P.C., Euán, C., Ortega, J.: Time series clustering using the total variation distance with applications in oceanography. Environmetrics 27(6), 355–369 (2016)MathSciNetCrossRef
4.
Bahadori, M.T., Kale, D.C., Fan, Y., Liu, Y.: Functional subspace clustering with application to time series. In: Proceedings of 32nd International Conference on Machine Learning, pp. 228–237 (2015)
5.
Bouveyron, C., Jacques, J.: Model-based clustering of time series in group-specific functional subspaces. Adv. Data Anal. Classif. 5(4), 281–300 (2011)MathSciNetCrossRefMATH
6.
Caiado, J., Crato, N., Peña, D.: A periodogram-based metric for time series classification. Comput. Stat. Data Anal. 50(10), 2668–2684 (2006)MathSciNetCrossRefMATH
7.
Caiado, J., Crato, N., Peña, N.: Comparison of times series with unequal length in the frequency domain. Commun. Stat. Simul. Comput. 38(3), 527–540 (2009)MathSciNetCrossRefMATH
8.
Caiado, J., Maharaj, E.A., D’Urso, P.: Time Series Clustering. Chapman & Hall/CRC Handbooks of Modern Statistical Methods. Taylor & Francis, London (2015). Chap. 12
9.
Cuesta-Albertos, J.A., Fraiman, R.: Impartial trimmed \(k\)-means for functional data. Comput. Stat. Data Anal. 51(10), 4864–4877 (2007)MathSciNetCrossRefMATH
10.
Delaigle, A., Hall, P.: Defining probability density for a distribution of random functions. Ann. Stat. 38(2), 1171–1193 (2010)MathSciNetCrossRefMATH
11.
D’Urso, P., De Giovanni, L., Massari, R.: Time series clustering by a robust autoregressive metric with application to air pollution. Chemometr. Intell. Lab. Syst. 141, 107–124 (2015)CrossRef
12.
D’Urso, P., De Giovanni, L., Massari, R.: GARCH-based robust clustering of time series. Fuzzy Sets Syst. 305, 1–28 (2016)MathSciNetCrossRef
13.
Euán, C., Ombao, H., Ortega, J.: The hierarchical spectral merger algorithm: a new time series clustering procedure. J. Classif. (2017, accepted)
14.
Fritz, H., García-Escudero, L.A., Mayo-Iscar, A.: A fast algorithm for robust constrained clustering. Comput. Stat. Data Anal. 61, 124–136 (2013)MathSciNetCrossRefMATH
15.
16.
17.
Jacques, J., Preda, C.: Funclust: a curves clustering method using functional random variables density approximation. Neurocomputing 112, 164–171 (2013)CrossRef
18.
19.
Liao, T.W.: Clustering of time series data - a survey. Pattern Recogn. 38, 1857–1874 (2005)CrossRefMATH
20.
Maharaj, E.A., D’Urso, P.: Fuzzy clustering of time series in the frequency domain. Inf. Sci. 181(7), 1187–1211 (2011)CrossRefMATH
21.
Montero, P., Vilar, J.: TSclust: an R package for time series clustering. J. Stat. Softw. 62(1), 43 (2014)CrossRef
22.
Ramsay, J.O., Silverman, B.W.: Functional Data Analysis. Springer Series in Statistics, 2nd edn. Springer, New York (2005)MATH
23.
Rand, W.M.: Objective criteria for the evaluation of clustering methods. J. Am. Stat. Assoc. 66, 846–850 (1971)CrossRef
24.
Rivera-García, D., García-Escudero, L.A., Mayo-Iscar, A., Ortega, J.: Robust clustering for functional data based on trimming and constraints. arXiv:​1701.​03267 (2017)
25.
Rousseeuw, P.J., Van Driessen, K.: A fast algorithm for the minimum covariance determinant estimator. Technometrics 41, 212–223 (1999)CrossRef
26.
Soueidatt, M.: Funclustering: A package for functional data clustering. R package version 1.0.1 (2014)
Metadaten
Titel
Robust Clustering for Time Series Using Spectral Densities and Functional Data Analysis
verfasst von
Diego Rivera-García
Luis Angel García-Escudero
Agustín Mayo-Iscar
Joaquín Ortega
Copyright-Jahr
2017
Buch
Advances in Computational Intelligence

Print ISBN: 978-3-319-59146-9

Electronic ISBN: 978-3-319-59147-6

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-59147-6_13