ارائه ی یک روش خوشه بندی سری های زمانی بر مبنای الگوریتم تکاملی دیفرانسیلی و تبدیل کسینوسی گسسته

زاهده ایزکیان، z. izakian faculty of geodesy and geomatics engineering, k.n.toosi university of technology, tehran, iranتهران-دانشگاه خواجه نصیر طوسی- دانشکده ی نقشه برداری یزدان عامریان، y. amerian faculty of geodesy and geomatics engineering, k.n.toosi university of technology, tehran, iranتهران-دانشگاه خواجه نصیر طوسی- دانشکده ی نقشه برداری محمد سعدی مسگری، m. mesgari saadi faculty of geodesy and geomatics engineering, k.n.toosi university of technology, tehran, iranتهران-دانشگاه خواجه نصیر طوسی- دانشکده ی نقشه برداری

Abstract

با پیشرفت روز افزون تکنولوژی­های جمع آوری اطلاعات و امکان دسترسی به حجم عظیمی از داده همواره نیازمند روش­هایی برای تجزیه و تحلیل این حجم داده خام و استخراج اطلاعات مفید از آن می­باشیم. امروزه خوشه­بندی داده به عنوان یکی از روش­های آنالیز و ساده سازی مجموعه داده­های بزرگ، مورد توجه بسیاری از محققین قرار گرفته است. در این میان خوشه­بندی سری­های زمانی با دقت مورد قبول، حائز اهمیت بسیاری می­باشد. در روش پیشنهادی از ترکیب الگوریتم تکاملی دیفرانسیلی و روش خوشه fuzzy-cmeans به عنوان یکی از الگوریتم­های خوشه­بندی مطرح و شناخته شده، برای خوشه­بندی سری­های زمانی استفاده گردید. در این روش برای کاهش مجهولات مسئله و در نتیجه افزایش کارایی الگوریتم، تکنیک­های مختلف نمایش داده­های مکانی-زمانی را مورد بررسی قرار دادیم و از این میان روش ضرایب dct را برای کاهش مجهولات مراکز خوشه­ها انتخاب کردیم. بدین مفهوم که الگوریتم تکاملی دیفرانسیلی انتخابی برای خوشه­بندی، به جای یافتن تمامی المان­های مراکز خوشه­های موجود در مجموعه داده، تنها تعداد محدودی از ضرایب dct این مراکز را یافته و سپس با استفاده از همین ضرایب محدود مراکز خوشه­ها بازسازی می­شوند. با در نظر گرفتن تابع فاصله­ی dynamic time warping و انتخاب تابع بهینه­سازی مربوط به روش خوشه­بندی fuzzy-cmeans، روش پیشنهادی بر روی دو مجموعه داده پیاده­سازی شد و با روش خوشه­بندی fcm و روش خوشه­بندی مبتنی بر الگوریتم تکاملی دیفرانسیلی بدون استفاده از ضرایب dct مقایسه گردید. روش پیشنهادی کندتر از الگوریتم خوشه­بندی fuzzy-cmeans بوده اما به دلیل استفاده از روش تبدیل کسینوسی گسسته برای کاهش مجهولات، سریع­تر از روش خوشه­بندی معمول مبتنی بر الگوریتم تکاملی دیفرانسیلی عمل می­کند. همچنین نتایج حاصل از مقایسه­ی این سه روش نشان­دهنده­ی عملکرد بهتر روش پیشنهادی نسبت به دو روش دیگر می­باشد.