Agrupamiento de series temporales con núcleos convolucionales aleatorios

Resumen Los datos de series temporales, que abarcan aplicaciones que van desde la climatología hasta las finanzas y la atención médica, presentan desafíos significativos en la minería de datos debido a su tamaño y complejidad. Un problema abierto radica en el agrupamiento de series temporales, que es crucial para procesar grandes volúmenes de datos de series temporales no etiquetados y desbloquear valiosos conocimientos. Sin embargo, los métodos de análisis tradicionales y modernos a menudo luchan con estas complejidades. Para abordar estas limitaciones, introducimos R-Clustering, un método novedoso que utiliza arquitecturas convolucionales con parámetros seleccionados aleatoriamente. A través de evaluaciones extensas, R-Clustering demuestra un rendimiento superior sobre los métodos existentes en términos de precisión de agrupamiento, eficiencia computacional y escalabilidad. Los resultados empíricos obtenidos utilizando el archivo UCR demuestran la efectividad de nuestro enfoque en diversos conjuntos de datos de series temporales. Los hallazgos destacan la importancia de R-Clustering en varios dominios y aplicaciones, contribuyendo al avance de la minería de datos de series temporales.