論文の概要: The Shape of Consumer Behavior: A Symbolic and Topological Analysis of Time Series

• arxiv url: http://arxiv.org/abs/2506.19759v1
• Date: Tue, 24 Jun 2025 16:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.719153
• Title: The Shape of Consumer Behavior: A Symbolic and Topological Analysis of Time Series
• Title（参考訳）: 消費者行動の形状--時系列の記号的・トポロジ的分析
• Authors: Pola Bereta, Ioannis Diamantis,
• Abstract要約: 本研究では,Symbolic Aggregate ApproXimation (SAX), enhanced SAX (eSAX), and Topological Data Analysis (TDA)の3つの非教師なしクラスタリング手法を評価する。 以上の結果から,SAXとeSAXは,安定な時系列に対して高速かつ解釈可能なクラスタリングを提供する一方で,ボラティリティと複雑性に苦慮し,不明瞭なキャッチオールのクラスタを生成することが示唆された。 消費者分析におけるシンボル的およびトポロジ的手法の活用に関する実践的ガイダンスで結論を出し,ハイブリッドアプローチが今後の応用に強い可能性を秘めていることを示唆する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding temporal patterns in online search behavior is crucial for real-time marketing and trend forecasting. Google Trends offers a rich proxy for public interest, yet the high dimensionality and noise of its time-series data present challenges for effective clustering. This study evaluates three unsupervised clustering approaches, Symbolic Aggregate approXimation (SAX), enhanced SAX (eSAX), and Topological Data Analysis (TDA), applied to 20 Google Trends keywords representing major consumer categories. Our results show that while SAX and eSAX offer fast and interpretable clustering for stable time series, they struggle with volatility and complexity, often producing ambiguous ``catch-all'' clusters. TDA, by contrast, captures global structural features through persistent homology and achieves more balanced and meaningful groupings. We conclude with practical guidance for using symbolic and topological methods in consumer analytics and suggest that hybrid approaches combining both perspectives hold strong potential for future applications.
• Abstract（参考訳）: オンライン検索行動の時間的パターンを理解することは,リアルタイムマーケティングやトレンド予測に不可欠である。 Google Trendsは、パブリックな関心のためのリッチなプロキシを提供するが、その時系列データの高次元性とノイズは、効果的なクラスタリングの課題を提示している。 本研究では,Symbolic Aggregate ApproXimation (SAX), enhanced SAX (eSAX), and Topological Data Analysis (TDA)の3つの教師なしクラスタリング手法について,主要な消費者カテゴリを表す20のGoogle Trendsキーワードに適用した。 以上の結果から,SAXとeSAXは,安定な時系列に対して高速かつ解釈可能なクラスタリングを提供するが,ボラティリティと複雑性に苦慮し,不明瞭な ' 'catch-all'' クラスタを生成することが多い。 対照的に、TDAは、永続的ホモロジーを通してグローバルな構造的特徴を捉え、よりバランスよく有意義なグループ化を達成する。 消費者分析におけるシンボル的およびトポロジ的手法の活用に関する実践的ガイダンスで結論を出し,両視点を組み合わせたハイブリッドアプローチが将来のアプリケーションに強い可能性を秘めていることを示唆した。

関連論文リスト

• Fuzzy Cluster-Aware Contrastive Clustering for Time Series [1.435214708535728]
  従来の教師なしクラスタリング手法は、しばしば時系列データの複雑な性質を捉えるのに失敗する。 本稿では,表現学習とクラスタリングを協調的に最適化するファジィクラスタ対応コントラストクラスタリングフレームワーク(FCACC)を提案する。 本稿では,時系列データの様々な特徴を活用して特徴抽出を強化するために,新しい3視点データ拡張手法を提案する。
  論文  参考訳（メタデータ） (2025-03-28T07:59:23Z)
• Empowering Time Series Analysis with Synthetic Data: A Survey and Outlook in the Era of Foundation Models [104.17057231661371]
  時系列解析は複雑なシステムの力学を理解するために重要である。 基本モデルの最近の進歩はタスク非依存の時系列基礎モデル (TSFM) と大規模言語モデルベース時系列モデル (TSLLM) につながっている。 彼らの成功は、規制、多様性、品質、量制約のために構築が困難である、大規模で多様で高品質なデータセットに依存する。 本調査では,TSFMとTLLLMの合成データの総合的なレビュー,データ生成戦略の分析,モデル事前学習におけるそれらの役割,微調整,評価,今後の研究方向性の特定について述べる。
  論文  参考訳（メタデータ） (2025-03-14T13:53:46Z)
• Hybrid Ensemble Deep Graph Temporal Clustering for Spatiotemporal Data [0.37083047471478225]
  多変量時間データ解析のためのハイブリッドアンサンブルグラフクラスタリング(HEDGTC)法を提案する。 HEDGTCは、従来のクラスタリングからノイズや誤分類に対処するためのデュアルコンセンサスアプローチを採用している。 3つの実世界のデータセットで評価すると、HEDGTCは最先端のアンサンブルクラスタリングモデルより優れている。
  論文  参考訳（メタデータ） (2024-09-19T09:14:10Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• 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)
• HGV4Risk: Hierarchical Global View-guided Sequence Representation Learning for Risk Prediction [28.85381591832941]
  本稿では,新しい階層的グローバルビュー誘導(HGV)シーケンス表現学習フレームワークを提案する。 具体的には、時間相関グラフから連続的なクリップ認識表現を学習するために、GGE(Global Graph Embedding)モジュールを提案する。 提案モデルは,他の既知のベースラインと比較して,競争力のある予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-11-15T07:41:08Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。