The article is devoted to the topical issue of improving the efficiency of time series clustering algorithms. The relevance of the work is due not only to the need to process growing amounts of information from areas such as finance, the Internet of Things, bioinformatics, and monitoring of industrial equipment, but also to the need for a deeper understanding of the hidden structure of this data. The aim of the study is to systematically improve the understanding of the internal structure of time series and, as a result, to develop more accurate, stable and computationally efficient algorithms for their cluster analysis. As a methodological basis, a comprehensive analysis of modern clustering methods is carried out, focusing on two key aspects: the assessment of structural similarities between series and techniques for decomposing time series into composite components (trend, seasonality, noise). Special attention is paid to the critically important issue of choosing an adequate distance metric, since the quality and interpretability of the final clusters directly depends on it. The potential and limitations of the metric of dynamic transformation of the time scale (DTW), capable of taking into account nonlinear distortions along the time axis, are investigated in detail. The main theoretical contribution of the article is to propose and justify hybrid approaches that integrate classical clustering algorithms (such as K-means or hierarchical clustering) based on the DTW metric with advanced methods of nonlinear dimensionality reduction, in particular, with the Uniform Manifold Approximation and Projection (UMAP) algorithm. This combination allows you to visualize and cluster data in a low-dimensional space that preserves significant geometric relationships, which improves the quality of grouping and the speed of calculations. In addition, the paper separately discusses strategies for optimizing the processing of long time series aimed at reducing computational complexity without significant loss of information content. The practical value of the research is confirmed by a series of computational experiments on synthetic and real datasets. The presented results clearly demonstrate the comparative advantages of the proposed hybrid techniques over traditional approaches in terms of clustering accuracy, noise tolerance, and computational efficiency. Thus, the work makes a significant contribution to the development of time series mining methods, offering new, more powerful tools for extracting knowledge from data.
Статья посвящена актуальной проблематике повышения эффективности алгоритмов кластеризации временных рядов. Актуальность работы обусловлена не только необходимостью обработки растущих объемов информации из таких сфер, как финансы, интернет вещей, биоинформатика и мониторинг промышленного оборудования, но и потребностью в более глубоком понимании скрытой структуры этих данных. Цель исследования заключается в системном улучшении понимания внутренней структуры временных рядов и, как следствие, в разработке более точных, устойчивых и вычислительно эффективных алгоритмов для их кластерного анализа. В качестве методологической основы проводится всесторонний анализ современных методов кластеризации, акцентирующий внимание на двух ключевых аспектах: оценке структурных сходств между рядами и техниках декомпозиции временных рядов на составные компоненты (тренд, сезонность, шум). Особое внимание в работе уделяется критически важному вопросу выбора адекватной метрики расстояния, поскольку от нее напрямую зависит качество и интерпретируемость итоговых кластеров. Детально исследуется потенциал и ограничения метрики динамической трансформации временной шкалы (DTW), способной учитывать нелинейные искажения по временной оси. Основной теоретический вклад статьи заключается в предложении и обосновании гибридных подходов, которые интегрируют классические алгоритмы кластеризации (такие как K‑средних или иерархическая кластеризация), основанные на метрике DTW, с передовыми методами нелинейного снижения размерности, в частности, с алгоритмом Uniform Manifold Approximation and Projection (UMAP). Такая комбинация позволяет визуализировать и кластеризовать данные в низкоразмерном пространстве, сохраняющем существенные геометрические отношения, что повышает качество группировки и скорость вычислений. Кроме того, в работе отдельно рассматриваются стратегии оптимизации обработки длинных временных рядов, направленные на снижение вычислительной сложности без значительной потери информативности. Практическая ценность исследования подтверждается серией вычислительных экспериментов на синтетических и реальных наборах данных. Представленные результаты наглядно демонстрируют сравнительные преимущества предложенных гибридных методик перед традиционными подходами в терминах точности кластеризации, устойчивости к шуму и вычислительной эффективности. Таким образом, работа вносит значимый вклад в развитие методов интеллектуального анализа временных рядов, предлагая новые, более мощные инструменты для извлечения знаний из данных.
[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]