马瑞强，宋宝燕，丁琳琳，王俊陆

辽宁大学 信息学院，沈阳110036

近年来，随着信息化技术的快速发展，金融、生物、气象、医学等各个领域产生了大量的时间序列数据[1]，挖掘数据中的潜在价值对决策者具有重大的指导作用。聚类[2-4]作为一种无监督学习[5-6]方法，由于其事先无需对任一样本打类别标记，在分析数据的内在关系及蕴含的信息、知识等方面发挥着至关重要的作用。时间序列数据本身具有伪事件、持续性及漂移性等复杂结构特征，现有方法多直接对数据集中结构复杂的持续事件聚类，未将聚类对象进行转化，聚类结果准确性低且效率差，因此如何设计一种精准高效的时间序列事件聚类[7]方法，一直是流式数据挖掘[8-9]领域研究的难点。

针对这些问题，本文提出一种面向时间序列事件的动态矩阵聚类方法RDMC（RDS dynamic matrixbased clustering），通过精准、高效地构建RDS（representative and diversifying sequences）与数据集的距离矩阵，将对原始数据集的聚类转化为对动态化矩阵的聚类，实现时间序列事件的有效划分。本文的主要贡献如下：

（1）基于事件r近邻密度和反向近邻数构建事件近邻评价体系，依据评价值优劣衡量事件的代表性；

（2）在此基础上，提出事件近邻评分的后向差分计算策略，依据差分结果确定评分边界，通过近邻评分与边界值的大小关系构建RDS 候选集，提高RDS选取效率；

（3）综合RDS的双重约束条件，提出基于组合优化法最优解集筛选策略，实现RDS的高效查找；

（4）针对时序事件聚类准确率低的问题，提出基于K-means 的矩阵聚类方法，对RDS 与数据集的动态化距离矩阵聚类，最终得到事件的类别标签。……