Die Identifizierung von Mustern oder Clustern in Streaming-Zeitseriendaten ist entscheidend für die Entscheidungsfindung und bildet die Grundlage für Anwendungen wie Anomalieerkennung, Prognosen und Datenqualitätsüberwachung. Während zahlreiche Clusteralgorithmen vorgeschlagen wurden, sind viele im Bereich der Zeitreihen noch unerforscht, und andere sind für Streaming-Szenarien ungeeignet. Darüber hinaus erfordern viele effektive Methoden vorheriges Wissen über die Anzahl der Cluster, was eine erhebliche Einschränkung beim Umgang mit sich entwickelnden Datenströmen darstellt. Um diese Herausforderungen zu bewältigen, schlagen wir BURST vor, ein prinzipienbasiertes und allgemeines Framework, das die Anwendung von partitionierungsbasierten Clustering-Methoden in Streaming-Zeitreiheneinstellungen ermöglicht. Im Kern integriert BURST AutoKC, einen neuartigen, adaptiven Algorithmus zur automatischen Schätzung der Clusteranzahl, der die Robustheit gegenüber sich entwickelnden Zeitreihenströmen verbessert. Experimentelle Analysen zeigen, dass BURST eine robuste Strategie für das Echtzeit-Clustering von Zeitreihen ist, effektiv zwischen verschiedenen Partitionierungsmethoden verallgemeinert und im Vergleich zu bestehenden Algorithmen eine erstklassige Leistung erzielt.
Giannoulidis et al. (Tue,) haben diese Frage untersucht.