論文の概要: Ranked differences Pearson correlation dissimilarity with an application to electricity users time series clustering

• arxiv url: http://arxiv.org/abs/2505.02173v2
• Date: Wed, 07 May 2025 15:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 12:54:13.631637
• Title: Ranked differences Pearson correlation dissimilarity with an application to electricity users time series clustering
• Title（参考訳）: 電気使用者時系列クラスタリングへの応用とピアソン相関の相関性
• Authors: Chutiphan Charoensuk, Nathakhun Wiroonsri,
• Abstract要約: 時系列クラスタリングは、医療、金融、経済学、エネルギー、気候科学などの分野で使われている。 本研究では,Pearson相関異性度(RDPC)と呼ばれる新しい異性度尺度を提案し,Pearson相関異性度(Pearson correlation dissimilarity)と最大の相違点(Pearson correlation dissimilarity)の重み付き平均値を組み合わせた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series clustering is an unsupervised learning method for classifying time series data into groups with similar behavior. It is used in applications such as healthcare, finance, economics, energy, and climate science. Several time series clustering methods have been introduced and used for over four decades. Most of them focus on measuring either Euclidean distances or association dissimilarities between time series. In this work, we propose a new dissimilarity measure called ranked Pearson correlation dissimilarity (RDPC), which combines a weighted average of a specified fraction of the largest element-wise differences with the well-known Pearson correlation dissimilarity. It is incorporated into hierarchical clustering. The performance is evaluated and compared with existing clustering algorithms. The results show that the RDPC algorithm outperforms others in complicated cases involving different seasonal patterns, trends, and peaks. Finally, we demonstrate our method by clustering a random sample of customers from a Thai electricity consumption time series dataset into seven groups with unique characteristics.
• Abstract（参考訳）: 時系列クラスタリングは、時系列データを同様の振る舞いを持つグループに分類する教師なし学習手法である。 医療、金融、経済、エネルギー、気候科学などの分野で用いられる。 いくつかの時系列クラスタリング手法が導入され、40年以上にわたって使用されている。 それらの多くは、ユークリッド距離や時系列間の関連性の相違を測ることに集中している。 本研究では,Pearson相関異性度(RDPC)と呼ばれる新しい異性度尺度を提案し,Pearson相関異性度(Pearson correlation dissimilarity)と最大の相違点(Pearson correlation dissimilarity)の重み付き平均値を組み合わせた。 階層的なクラスタリングに組み込まれている。 既存のクラスタリングアルゴリズムと比較し評価する。 その結果,RDPCアルゴリズムは季節パターンや傾向,ピークといった複雑なケースにおいて,他よりも優れていた。 最後に,タイの電力消費時系列データセットから無作為な顧客サンプルを,ユニークな特徴を持つ7つのグループにクラスタリングすることで,本手法を実証する。

関連論文リスト

• Evaluation of k-means time series clustering based on z-normalization and NP-Free [0.5898893619901381]
  本稿では,実世界のオープンソース時系列データセット上でのk平均時系列クラスタリングの性能評価を行う。 この評価は、z-正規化とNP-Freeの2つの異なる正規化技術に焦点を当てている。 本研究の目的は,これらの2つの正規化手法が,クラスタリング品質の観点から,k平均時系列クラスタリングに与える影響を評価することである。
  論文  参考訳（メタデータ） (2024-01-28T21:23:13Z)
• Fuzzy clustering of circular time series based on a new dependence measure with applications to wind data [2.845817138242963]
  時系列クラスタリングは、多くの分野のアプリケーションに欠かせない機械学習タスクである。 円列間の距離を導入し、クラスタリング手順を構築するために使用する。 ファジィアプローチが採用され、各系列を異なる会員度を持つ複数のクラスタに配置することができる。
  論文  参考訳（メタデータ） (2024-01-26T12:21:57Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Fuzzy clustering of ordinal time series based on two novel distances with economic applications [0.12891210250935145]
  順序時間列間の2つの新しい距離を導入し、ファジィクラスタリング手順を構築するために使用した。 結果のクラスタリングアルゴリズムは計算効率が良く、類似のプロセスから生成されるシリーズをグループ化することができる。 経済時系列に関する2つの具体的な応用は、提案手法の有用性を示している。
  論文  参考訳（メタデータ） (2023-04-24T16:39:22Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• SummerTime: Variable-length Time SeriesSummarization with Applications to PhysicalActivity Analysis [6.027126804548653]
  textitSummerTimeは、グローバルな時系列信号の要約を目指している。 可変長時系列の固定長で頑健な要約を提供する。
  論文  参考訳（メタデータ） (2020-02-20T20:20:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。