Том 4 № 2 (2026): Промышленная кибернетика
DOI https://doi.org/10.18799/29495407/2026/2/124
Модификация методов потоковой кластеризации для сегментации временных рядов в реальном времени
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.
Ключевые слова:
временной ряд, сегментация временных рядов, потоковая кластеризация, разладка, CluStream, DenStream, расширяющееся окно, признаковое описание, метрики
Библиографические ссылки:
СПИСОК ЛИТЕРАТУРЫ
1. Guijo-Rubio D., Durán-Rosal A.M., Gutiérrez P.A., Troncoso A., Hervás-Martínez C. Time-series clustering based on the characterization of segment typologies. IEEE Transactions on Cybernetics, 2020, Vol. 51, № 11, P. 5408–5422. DOI: 10.1109/TCYB.2019.2962584
2. Truong C., Oudre L., Vayatis N. Selective review of offline change point detection methods. Signal Processing, 2020, Vol. 167, Article 107299. DOI: 10.1016/j.sigpro.2019.107299 EDN: RCRQZX
3. Fearnhead P., Rigaill G. Changepoint detection in the presence of outliers. Journal of the American Statistical Association, 2019, Vol. 114, № 525, P. 169–183. DOI: https://doi.org/10.1080/01621459.2017.1385466
4. Xu R., Song Z., Wu J., Wang C., Zhou S. Change-point detection with deep learning: a review. Frontiers of Engineering Management, 2025, Vol. 12, № 1, P. 154-176. DOI: 10.1007/s42524-025-4109-z.
5. Tartakovsky A., Nikiforov I., Basseville M. Sequential analysis: hypothesis testing and changepoint detection. Boca Raton: CRC Press, 2014. 604 p. DOI: https://doi.org/10.1111/rssa.12122_5.
6. Aminikhanghahi S., Cook D.J. A survey of methods for time series change point detection. Knowledge and Information Systems, 2017, Vol. 51, № 2, P. 339–367. DOI: https://doi.org/10.1007/s10115-016-0987-z EDN: SLNEDS
7. Borovykh A., Bohte S., Oosterlee C.W. Conditional time series forecasting with convolutional neural networks. International Conference on Artificial Neural Networks, 2017. DOI: https://doi.org/10.48550/arXiv.1703.04691
8. Ren Y., Pu J., Yang Z., Xu J., Li G., Pu X., Yu P.S., He L. Deep clustering: a comprehensive survey. IEEE Transactions on Neural Networks and Learning Systems, 2025, Vol. 36, № 4, P. 5858–5878. DOI: 10.1109/TNNLS.2024.3403155.
9. Chen Y., Li X. Compound sequential change-point detection in parallel data streams. Statistica Sinica, 2023, Vol. 33, № 1, P. 453–474. DOI: 10.5705/ss.202020.0508.
10. Aminikhanghahi S., Wang T., Cook D.J. Real-time change point detection with application to smart home time series data. IEEE Transactions on Knowledge and Data Engineering, 2019, Vol. 31, № 5, P. 1010–1023. DOI: 10.1109/TKDE.2018.2850347.
11. Aghabozorgi S., Shirkhorshidi A.S., Wah T.Y. Time-series clustering – a decade review. Information Systems, 2015, Vol. 53, P. 16–38. DOI: 10.1016/j.is.2015.04.007 EDN: UQEVOJ
12. Silva J.A., Faria E.R., Barros R.C., Hruschka E.R., De Carvalho A.C.P.L.F., Gama J. Data stream clustering: a survey. ACM Computing Surveys, 2013, Vol. 46 (1), P. 1–31. DOI: https://doi.org/10.1145/2522968.2522981
13. Nordahl C., Boeva V., Grahn H., Persson-Netz M. On evaluation of data stream clustering algorithms: a survey. IEEE Access, 2025, Vol. 13, P. 139524–139546. DOI: 10.1109/access.2025.3596435 EDN: GQSIDD
14. Скобцов В.Ю., Новоселова Н.А. Исследование алгоритмов потоковой кластеризации при решении задачи анализа данных телеметрии малых космических аппаратов. Известия высших учебных заведений. Приборостроение, 2020, Т. 63, № 11, С. 1003–1011. DOI: 10.17586/0021-3454-2020-63-11-1003-1011 EDN: CNTRCP
15. Kadomskіy K. Using sequential clustering to identification of hybrid timed automata from analog IIoT data. Problems of Control and Informatics, 2021, Vol. 66, № 5, P. 31–44. DOI: 10.34229/1028-0979-2021-5-3.
16. Печеный Е.А., Нуриев Н.К., Старыгина С.Д. Самоорганизующаяся кластеризация потока больших данных. Прикаспийский журнал: управление и высокие технологии, 2020, № 1 (49), С. 10–20. EDN: HTUKLI
17. Кластеризация временных рядов: приёмы и метрики. Habr, 2017. URL: https://habr.com/ru/articles/334220/ (дата обращения: 10.05.2026).
REFERENCES
1. Guijo-Rubio D., Durán-Rosal A.M., Gutiérrez P.A., Troncoso A., Hervás-Martínez C. Time-series clustering based on the characterization of segment typologies. IEEE Transactions on Cybernetics, 2020, vol. 51, no. 11, pp. 5408–5422. DOI: 10.1109/TCYB.2019.2962584
2. Truong C., Oudre L., Vayatis N. Selective review of offline change point detection methods. Signal Processing, 2020, vol. 167, article 107299. DOI: 10.1016/j.sigpro.2019.107299 EDN: RCRQZX.
3. Fearnhead P., Rigaill G. Changepoint detection in the presence of outliers. Journal of the American Statistical Association, 2019, vol. 114, no. 525, pp. 169–183. DOI: https://doi.org/10.1080/01621459.2017.1385466
4. Xu R., Song Z., Wu J., Wang C., Zhou S. Change-point detection with deep learning: a review. Frontiers of Engineering Management, 2025, vol. 12, no. 1, pp. 154–176. DOI: 10.1007/s42524-025-4109-z.
5. Tartakovsky A., Nikiforov I., Basseville M. Sequential analysis: hypothesis testing and changepoint detection. Boca Raton, CRC Press, 2014. 604 p. DOI: https://doi.org/10.1111/rssa.12122_5.
6. Aminikhanghahi S., Cook D.J. A survey of methods for time series change point detection. Knowledge and Information Systems, 2017, vol. 51, no. 2, pp. 339–367. DOI: https://doi.org/10.1007/s10115-016-0987-z EDN: SLNEDS
7. Borovykh A., Bohte S., Oosterlee C.W. Conditional time series forecasting with convolutional neural networks. International Conference on Artificial Neural Networks, 2017. DOI: https://doi.org/10.48550/arXiv.1703.04691
8. Ren Y., Pu J., Yang Z., Xu J., Li G., Pu X., Yu P.S., He L. Deep clustering: a comprehensive survey. IEEE Transactions on Neural Networks and Learning Systems, 2025, vol. 36, no. 4, pp. 5858–5878. DOI: 10.1109/TNNLS.2024.3403155.
9. Chen Y., Li X. Compound sequential change-point detection in parallel data streams. Statistica Sinica, 2023, vol. 33, no. 1, pp. 453–474. DOI: 10.5705/ss.202020.0508.
10. Aminikhanghahi S., Wang T., Cook D.J. Real-time change point detection with application to smart home time series data. IEEE Transactions on Knowledge and Data Engineering, 2019, vol. 31, no. 5, pp. 1010–1023. DOI: 10.1109/TKDE.2018.2850347.
11. Aghabozorgi S., Shirkhorshidi A.S., Wah T.Y. Time-series clustering – a decade review. Information Systems, 2015, vol. 53, pp. 16–38. DOI: 10.1016/j.is.2015.04.007 EDN: UQEVOJ
12. Silva J.A., Faria E.R., Barros R.C., Hruschka E.R., De Carvalho A.C.P.L.F., Gama J. Data stream clustering: a survey. ACM Computing Surveys, 2013, vol. 46 (1), pp. 1–31. DOI: https://doi.org/10.1145/2522968.2522981
13. Nordahl C., Boeva V., Grahn H., Persson-Netz M. On evaluation of data stream clustering algorithms: a survey. IEEE Access, 2025, vol. 13, pp. 139524–139546. DOI: 10.1109/access.2025.3596435 EDN: GQSIDD
14. Skobtsov V.Yu., Novoselova N.A. Investigation of stream clustering algorithms when solving the problem of small spacecraft telemetry data analysis. Journal of Instrument Engineering, 2020, vol. 63, no. 11, pp. 1003–1011. (In Russ.) DOI: 10.17586/0021-3454-2020-63-11-1003-1011 EDN: CNTRCP
15. Kadomskіy K. Using sequential clustering to identification of hybrid timed automata from analog IIoT data. Problems of Control and Informatics, 2021, vol. 66, no. 5, pp. 31–44. DOI: 10.34229/1028-0979-2021-5-3.
16. Pechenyy E.A., Nuriev N.K., Starygina S.D. Self-organizing clustering of great data flow. Caspian Journal: Control and High Technologies, 2020, vol. 1 (49), pp. 10–20. (In Russ.) EDN: HTUKLI
17. Siarshai. Time series clustering: techniques and metrics. Habr, 2017. Available at: https://habr.com/ru/articles/334220/ (accessed: 10 May 2026).
