Apakah ada algoritma pembelajaran tanpa pengawasan untuk data yang diurutkan waktu?

9

Setiap pengamatan dalam data saya dikumpulkan dengan selisih 0,1 detik. Saya tidak menyebutnya seri waktu karena tidak memiliki cap tanggal dan waktu. Dalam contoh algoritma pengelompokan (saya temukan online) dan PCA data sampel memiliki 1 pengamatan per kasus dan tidak dihitung waktunya. Tetapi data saya memiliki ratusan pengamatan yang dikumpulkan setiap 0,1 detik per kendaraan dan ada banyak kendaraan.

Catatan: Saya juga menanyakan pertanyaan ini pada quora.

algorithms umair durrani
sumber
1
Harap perhatikan bahasanya. Pertanyaan Anda sama sekali tidak jelas. Apa yang dimaksud dengan "data sampel memiliki 1 pengamatan per kasus dan tidak waktunya"?
Kasra Manshaei
1
Saya berbicara tentang contoh yang saya temukan di tutorial online. Data sampel yang mereka gunakan hanya memiliki 1 observasi per kasus / individu (mis. Pelanggan, negara, dll). Dan data itu bukan deret waktu.
umair durrani

Jawaban:

7

Apa yang Anda miliki adalah urutan acara berdasarkan waktu jadi jangan ragu untuk menyebutnya Time Series!

Clustering dalam deret waktu memiliki 2 arti berbeda:

  1. Segmentasi deret waktu yaitu Anda ingin mengelompokkan deret waktu individu ke dalam interval waktu yang berbeda sesuai dengan persamaan internal.
  2. Pengelompokan deret waktu yaitu Anda memiliki beberapa deret waktu dan Anda ingin menemukan kelompok yang berbeda sesuai dengan kesamaan di antara mereka.

Saya berasumsi maksud Anda yang kedua dan inilah saran saya:

Anda memiliki banyak kendaraan dan banyak pengamatan per kendaraan yaitu Anda memiliki banyak kendaraan. Jadi, Anda memiliki beberapa matriks (setiap kendaraan adalah matriks) dan setiap matriks berisi baris N (pengamatan Nr) dan kolom T (titik waktu). Satu saran bisa menerapkan PCA ke setiap matriks untuk mengurangi dimenssionalitas dan mengamati data dalam ruang PC dan melihat apakah ada hubungan yang bermakna antara pengamatan yang berbeda dalam suatu matriks (kendaraan) . Kemudian Anda dapat menempatkan setiap pengamatan untuk semua kendaraan satu sama lain dan membuat matriks dan menerapkan PCA untuk itu untuk melihat hubungan pengamatan tunggal antara kendaraan yang berbeda.

Jika Anda tidak memiliki nilai negatif Matriks Faktorisasi sangat disarankan untuk pengurangan dimensi data formulir matriks.

Saran lain dapat menempatkan semua matriks di atas satu sama lain dan membangun tensor N x M x T di mana N adalah jumlah kendaraan, M adalah jumlah pengamatan dan T adalah urutan waktu dan menerapkan Dekomposisi Tensor untuk melihat hubungan secara global.

Pendekatan yang sangat bagus untuk Time Series Clustering ditunjukkan dalam makalah ini di mana implementasinya berjalan lurus ke depan.

Saya harap ini membantu!

Semoga berhasil :)

EDIT

Seperti yang Anda sebutkan maksud Anda Segmentasi Seri Waktu, saya menambahkan ini ke jawabannya.

Segmentasi seri waktu adalah satu-satunya masalah pengelompokan yang memiliki dasar kebenaran untuk evaluasi. Memang Anda mempertimbangkan distribusi pembangkit di belakang deret waktu dan menganalisisnya, saya sangat merekomendasikan ini , ini , ini , ini , ini dan ini di mana masalah Anda dipelajari secara komprehensif. Khusus yang terakhir dan tesis PhD.

Semoga berhasil!

Kasra Manshaei
sumber
1
Terima kasih atas jawaban yang bagus. Tujuan saya, pada kenyataannya, adalah melakukan "segmentasi seri waktu" untuk setiap kendaraan di set data saya.
umair durrani
1
Saya mempelajari tutorial tentang dekomposisi deret waktu. Saya menemukan bahwa ada cara untuk menguraikannya menjadi komponen tren, musiman dan siklus. Rangkaian waktu saya, bagaimanapun, adalah beberapa detik lintasan kendaraan. Apakah mungkin untuk menguraikannya menjadi komponen perilaku mengemudi yang berbeda berdasarkan tren dalam akselerasi, kecepatan, kecepatan kendaraan utama & akselerasi dalam lintasan yang diamati?
umair durrani
2
Mungkin! untuk ini lebih baik mempertimbangkan "dekomposisi" dan "segmentasi". Misalnya jika seri waktu Anda menunjukkan kluster yang signifikan dalam ruang PC Anda dapat menghubungkannya dengan perilaku mengemudi. Segmentasi juga untuk mendeteksi perilaku mengemudi yang berbeda dalam suatu rangkaian waktu. Singkatnya, Anda dapat menggunakan segmentasi untuk segmen perilaku berkendara yang berbeda untuk satu kendaraan dan teknik dekomposisi untuk mendeteksi perilaku mengemudi global di semua kendaraan.
Kasra Manshaei