ارائه ی یک روش خوشه بندی توافقی سری های زمانی بر اساس روش Fuzzy C-Means و الگوریتم انبوه ذرات

در سال های اخیر با پیشرفت فناوری های جمع آوری اطلاعات و فراهم شدن حجم عظیمی از داده های پیچیده همچون سری های زمانی نیاز به روش هایی مناسب به منظور تجزیه و تحلیل این نوع داده بیش از پیش احساس می شود. از میان روش های مختلف داده کاوی موجود تکنیک خوشه بندی داده ها با هدف ساده سازی مجموعه داده های بزرگ و استخراج اطلاعات مفید توجه بسیاری از محققین علوم کامپیوتر را به خود جلب کرده است. مسئله ی انتخاب تابع فاصله یکی از مهم ترین چالش هایی است که پیش از آغاز فرآیند خوشه بندی سری های زمانی مورد توجه قرار می گیرد. انتخاب تابع فاصله ی مناسب یک مجموعه داده به شناخت ماهیت داده پیش از انجام عملیات خوشه بندی وابسته می باشد و از این رو امری پیچیده و زمانبر می باشد. از سویی دیگر تاکنون توابع فاصله ی مختلفی با ویژگی ها و نقاط قوت متفاوت به منظور اندازه گیری میزان تفاوت/شباهت میان سری های زمانی پیشنهاد داده شده است. چگونگی ارایه ی یک روش خوشه بندی با قابلیت بهره جستن از ویژگی های توابع فاصله ی مختلف به طور همزمان و بدون نیاز به شناخت ماهیت داده ها پیش از آغاز فرآیند خوشه بندی، چالش اصلی این تحقیق می باشد. به منظور حل این مسئله در این تحقیق یک روش خوشه بندی با ترکیب روش خوشه بندی Fuzzy C-Means (FCM) و الگوریتم شناخته شده ی مبتنی بر هوش جمعی انبوه ذرات (PSO) با هدف استفاده از توابع فاصله ی مختلف با وزن های متفاوت در حین فرآیند خوشه بندی پیشنهاد داده شد. انتخاب تابع هدف در این مطالعه به گونه ای بوده است که نتیجه ی حاصل از خوشه بندی بیشترین اشتراک را با نتایج خوشه بندی حاصل از توابع فاصله ی مختلف داشته باشد. به عبارت دیگر روش خوشه بندی ارایه شده در این تحقیق یک روش خوشه بندی توافقی می باشد که نتیجه حاصل توافق میان توابع فاصله ی مختلف می باشد. روش پیشنهادی ارایه شده در این تحقیق با در نظر گرفتن سه تابع فاصله ی مختلف بر روی هفت سری مجموعه داده ی شناخته شده از سری های زمانی پیاده سازی شد و با پنج روش دیگر مقایسه گردید نتایج حاصل از این مقایسه نشان داد روش ارایه شده در این تحقیق در بیشتر از 85 درصد موارد بهتر از سایر روش ها عمل کرده است.