Neues Masking-Verfahren verbessert Clustering von multivariaten Zeitreihen

In der Analyse von multivariaten Zeitreihen (MTS) stellen redundante Daten wie stabile Maschinenbetriebsaufzeichnungen oder Leerlaufphasen bei Solarstromproduzenten ein Hindernis für die Entdeckung echter Muster dar. Diese Redundanz lenkt die Aufmerksamkeit von den wirklich aussagekräftigen Zeitpunkten ab und führt zu suboptimalen Repräsentationen, die das Clustering erschweren.

Um diesem Problem zu begegnen, präsentiert die aktuelle Studie das Evolving‑Masked MTS Clustering (EMTC). Das Verfahren kombiniert zwei innovative Module: Importance‑aware Variate‑wise Masking (IVM), das die Maskierung dynamisch an die für das Clustering relevanten Zeitpunkte anpasst, und Multi‑Endogenous Views (MEV), das über rekonstruktive und kontrastive Lernpfade die Generalisierung der Repräsentationen stärkt.

Durch die Kombination von IVM‑gestützter Maskierung und MEV‑basierter Rekonstruktion wird verhindert, dass die Maskierung zu früh konvergiert, während kontrastives Lernen die gemeinsame Optimierung von Repräsentation und Clustering fördert. Umfangreiche Experimente an 15 realen Benchmark‑Datensätzen zeigen, dass EMTC die Cluster‑Qualität signifikant steigert und damit einen wichtigen Fortschritt im Bereich der Zeitreihenanalyse darstellt.