适当的时间数据聚类技术？

我有活动频率的时间数据。我想识别数据中的群集，这些群集指示具有相似活动级别的不同时间段。理想情况下，我想在不先验指定集群数量的情况下识别集群。

什么是合适的聚类技术？如果我的问题没有足够的信息来回答，那么确定适当的聚类技术需要提供哪些信息？

以下是我正在想象的数据/集群类型的说明：

从我自己的研究看来，高斯隐马尔可夫模型似乎是一个很好的选择：http : //scikit-learn.org/stable/auto_examples/plot_hmm_stock_analysis.html#example-plot-hmm-stock-analysis-py

似乎确实发现了不同的活动情节。

您的问题听起来与我正在寻找的问题相似，并且这个问题与之相似，但解释得不太好。

他们的答案链接到有关变更检测的良好摘要。对于可能的解决方案，谷歌快速搜索发现谷歌代码上的变更点分析包。R也有一些工具可以做到这一点。该bcp软件包非常强大，并且非常易于使用。如果您想随数据的变化而即时进行，论文“在线变更点检测和参数估计及其在基因组数据中的应用”描述了一种非常复杂的方法，尽管要警告一点它具有挑战性。也有strucchange包装，但是对我来说效果不太好。

小波可以帮助您识别具有不同属性的期间。但是，我不确定是否有方法可以将您的时间序列分为多个离散周期。似乎有很多理论要经过，我才刚刚开始。我期待阅读其他建议。

关于小波的免费入门书籍章节。

R包，用于使用小波进行重要性测试。

您是否看到过以下页面：UCR时间序列分类/聚类页面？

在那里，您可以找到两者：用于实践的数据集和已发布的结果-比较您自己的实现的性能（在知名机器学习技术的已知性能上也有链接）。此外，此页面引用了大量论文，您可以从中继续进行研究，以找到适合您的问题，数据或需求的最佳方法。

此外，还有另一种方法（可能）通过应用sequitur http：// sequitur.info来执行此操作。如果您能够很好地对数据进行规范化/近似化，它将使您的那些“具有类似活动水平的不同时间段”的语法参见本文并搜索另一篇文章，因为我无法添加更多链接...

我认为您可以使用动态时间包装来寻找不同时间序列之间的相似性。为此，您可能需要将小波离散化为集合，例如数组。但是粒度将是一个问题，如果您有大量的时间序列，则计算每对DTM距离的计算成本将非常大。因此，您可能需要一些预选才能用作标签。

检查这个出来。我也在做像您这样的任务，此页面对我有所帮助。