خوشهبندي سريهاي زماني به كمك الگوريتم بهينهسازي گرگ خاكستري

امروزه خوشهبندي سريهاي زماني، در زمينههاي متعددي مانند پزشكي و اقتصاد به دليل كشف الگوهاي پنهان و پيشبيني مقادير آينده، بسيار حائز اهميت است. اما سريهاي زماني داراي ويژگيهايي مانند: حجم زياد، ابعاد بالا و وابستگي زماني بين دادهها ميباشند كه خوشهبندي آنها را با چالشهايي چون: انتخاب مدل مناسب، حل مسئله مقداردهي اوليه مدل، تعيين خودكار تعداد خوشهها و هزينه بالاي محاسباتي مواجه ميكند. از سوي ديگر، خوشهبندي يك مسئله بهينهسازي نيز ميباشد؛ اما روشهاي سنتي خوشهبندي براي دادهها با ابعاد بالا، به دليل پديدار شدن زياد بهينه محلي، با مشكل همگرا شدن به اين بهينهها مواجه هستند. در اين مقاله براي رفع معايب ذكر شده، الگوريتم . را با الگوريتم بهينهسازي گرگ خاكستري تركيب نموديم » مدل مبتني بر مدل مخفي ماركوف k « خوشهبندي به نام كارايي روش پيشنهادي را با اجرا بر روي چندين مجموعه داده سريهاي زماني استاندارد، ارزيابي و با روشهاي ديگر مانند روش تركيب شده با الگوريتم ازدحام ذرات مقايسه نموديم. نتايج نشان ميدهد كه روش پيشنهادي به دليل وابسته نبودن به مقادير اوليه و اجتناب از بهينه محلي از صحت و استحكام بيشتري برخوردار ميباشد و با استفاده از مدل رياضي ساده در براورد دوباره مراكز خوشهها هزينه محاسباتي را نيز كاهش داده است.