Модификация методов потоковой кластеризации для сегментации временных рядов в реальном времени; Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика; Т. 4, № 2
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика: рецензируемый научный журнал/ Национальный исследовательский Томский политехнический университет.— .— Томск: ТПУ, 2023-.— 2949-5407 Т. 4, № 2.— 2026.— С. 22-30 |
|---|---|
| Main Author: | |
| Other Authors: | |
| Summary: | Рассмотрены задачи сегментации временных рядов и обнаружения разладок в потоковых данных с использованием алгоритмов потоковой кластеризации CluStream и DenStream. Предложен подход к сегментации в реальном времени с расширяющимся окном для накопления отсчетов ряда. Для каждого окна вычисляется набор статистических и структурных признаков, после чего кластеризация выделяет границы сегментов. Проведенные эксперименты на синтетических и реальных данных показали, что алгоритм DenStream точнее обнаруживает переходы между сегментами, а CluStream более устойчив к ложным границам. Разработано программное приложение для исследования потоковой сегментации с графическим интерфейсом и визуализацией. Программная система может применяться в задачах мониторинга и анализа телеметрических данных в реальном времени This paper examines the problems of time series segmentation and error detection in streaming data using the CluStream and DenStream streaming clustering algorithms. A real-time segmentation approach is proposed using an expanding window for accumulating time series samples. For each window, a set of statistical and structural features is calculated, after which clustering identifies segment boundaries. Experiments conducted on synthetic and real data showed that the DenStream algorithm more accurately detects transitions between segments, while CluStream is more robust to false boundaries. A software application for streaming segmentation research with a graphical interface and visualization was developed. The software system can be used for real-time telemetry data monitoring and analysis Текстовый файл |
| Language: | Russian |
| Published: |
2026
|
| Subjects: | |
| Online Access: | b_TPU_IndCyb-2026-v4-i2-03.pdf https://doi.org/10.18799/29495407/2026/2/124 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=688002 |
| Summary: | Рассмотрены задачи сегментации временных рядов и обнаружения разладок в потоковых данных с использованием алгоритмов потоковой кластеризации CluStream и DenStream. Предложен подход к сегментации в реальном времени с расширяющимся окном для накопления отсчетов ряда. Для каждого окна вычисляется набор статистических и структурных признаков, после чего кластеризация выделяет границы сегментов. Проведенные эксперименты на синтетических и реальных данных показали, что алгоритм DenStream точнее обнаруживает переходы между сегментами, а CluStream более устойчив к ложным границам. Разработано программное приложение для исследования потоковой сегментации с графическим интерфейсом и визуализацией. Программная система может применяться в задачах мониторинга и анализа телеметрических данных в реальном времени This paper examines the problems of time series segmentation and error detection in streaming data using the CluStream and DenStream streaming clustering algorithms. A real-time segmentation approach is proposed using an expanding window for accumulating time series samples. For each window, a set of statistical and structural features is calculated, after which clustering identifies segment boundaries. Experiments conducted on synthetic and real data showed that the DenStream algorithm more accurately detects transitions between segments, while CluStream is more robust to false boundaries. A software application for streaming segmentation research with a graphical interface and visualization was developed. The software system can be used for real-time telemetry data monitoring and analysis Текстовый файл |
|---|---|
| DOI: | 10.18799/29495407/2026/2/124 |