聊一聊时间序列聚类

今天来聊一聊时间序列，嗯……为什么聊这个呢，因为近期处理的都是时间序列数据。由于组里是做事后验证的，所以常用的方法其实还是以描述型为主，较少涉及建模预测。当然，今天要讲的内容和大家常看的时间序列分析的内容不一样，这次要讲的是时间序列数据和聚类算法的结合，或许有些冷门。

稍微接触过一些聚类算法的朋友应该都知道，聚类嘛，关键在于求距离矩阵。无论你是用普普通通的欧氏距离，还是用高级的JS散度，总是为了知道各个数据点之间有多大的差异，这种差异就是用距离矩阵来衡量的。那么普通的横截面数据的聚类大家都清楚，无非就是要么按行聚样品，要么按列聚变量，不是Q型聚类就是R型聚类。但时间序列的聚类不一样，如果要对时间序列数据进行聚类，按行聚的话是把各个时间点聚在了一起；按列聚类的话，如果只有一个变量，你和谁去聚？如果有多个变量，你有什么方法去度量时间序列之间的距离？用欧式距离？对列聚类，相当于把行看作变量，把列看作样品，行是时间，你对时间变量求欧式距离？可能可以，但多数情况下怪怪的，最后出来的结果也是差强人意的。

如果说我们要按行聚类，也就是把时间聚在一起的话，也不是不可以，但研究的意义就不对了。我们是想挖掘序列中的信息，你把时间聚在一块，是想研究什么，不同时间点的相似性？周六和周日聚在了一块，周一和周五聚在了一块。乍一看有点东西，似乎能挖到业务知识，但一细想这不是就是weekend和weekday的区别吗？像旅游行业，weekend的每日营业额当然绝大多数的时候都高于weekday了，挖掘不出什么新东西啊。

那么按列聚类，就必须知道怎么去衡量各个时间序列之间的相关性。如果你遇到一个人，告诉直接kmeans(data， k = best_k)，想无中生友，这边建议你还是华农一笑比较好。目前衡量时间序列的距离，也不是没有办法，有一种常用的针对时间序列的距离衡量方法，叫做DTW，也就是动态时间规整。DTW算法基于动态规划（DP）的思想，之前用于语音识别，它能解决了发音长短不一的模板匹配问题，是语音识别中出现较早、较为经典的一种算法，用于孤立词识别。但DTW算法和HMM（隐马尔可夫模型）比又比较Low，DTW算法由于没有一个有效地用统计方法进行训练的框架，也不容易将低层和顶层的