Resumen

Ante la importancia de varios componentes y formas asíncronas de series temporales multivariadas, se propone un método de agrupamiento basado en alineación dinámica de tiempo y propagación de afinidad. Desde las dos perspectivas de la información de propiedades globales y locales de las series temporales multivariadas, se describe la relación entre los objetos de datos. Se utiliza la alineación dinámica de tiempo para medir la similitud entre los datos originales de series temporales y obtener la similitud entre los componentes correspondientes. Además, también se utiliza la propagación de afinidad para agrupar en base a las matrices de similitud y, respectivamente, se establecen las matrices de correlación para varios componentes y toda la información de las series temporales multivariadas. Además, proponemos una matriz de correlación sintética para reflejar mejor la relación entre los datos de series temporales multivariadas. Nuevamente, se aplica el algoritmo de propagación de afinidad para agrupar la matriz de correlación sintética, lo que realiza el análisis de agrupamiento de los

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Import Spanish translation: importancia; Componentes; Series temporales; Alineación temporal dinámica; Propagación de afinidad; Agrupamiento
• Keywords:Importance; Components; Time series; Dynamic time warping; Affinity propagation; Clustering