خوشه بندی سری های زمانی به کمک الگوریتم بهینه سازی گرگ خاکستری

امروزه خوشه بندی سری های زمانی، در زمینه های متعددی مانند پزشکی و اقتصاد به دلیل کشف الگوهای پنهان وپیش بینی مقادیر آینده، بسیار حائز اهمیت است. اما سری های زمانی دارای ویژگی هایی مانند: حجم زیاد، ابعاد بالا ووابستگی زمانی بین داده ها می باشند که خوشه بندی آنها را با چالش هایی چون: انتخاب مدل مناسب، حل مسئلهمقداردهی اولیه مدل، تعیین خودکار تعداد خوشه ها و هزینه بالای محاسباتی مواجه میکند. از سوی دیگر، خوشه بندییک مسئله بهینه سازی نیز می باشد؛ اما روشهای سنتی خوشه بندی برای داده ها با ابعاد بالا، به دلیل پدیدار شدن زیادبهینه محلی، با مشکل همگرا شدن به این بهینه ها مواجه هستند. در این مقاله برای رفع معایب ذکر شده، الگوریتمخوشه بندی به نام «k مدل مبتنی بر مدل مخفی مارکوف» را با الگوریتم بهینه سازی گرگ خاکستری ترکیب نمودیم کارایی روش پیشنهادی را با اجرا بر روی چندین مجموعه داده سری های زمانی استاندارد، ارزیابی و با روشهای دیگرمانند روش ترکیب شده با الگوریتم ازدحام ذرات مقایسه نمودیم. نتایج نشان می دهد که روش پیشنهادی به دلیلوابسته نبودن به مقادیر اولیه و اجتناب از بهینه محلی از صحت و استحکام بیشتری برخوردار می باشد و با استفاده ازمدل ریاضی ساده در براورد دوباره مراکز خوشه ها هزینه محاسباتی را نیز کاهش داده است.

کلیدواژه ها:

الگوریتم بهینه سازی ، خوشه بندی ، سری های زمانی ، گرگ خاکستری