Algorithm 时间序列海量数据集的聚类方法

大多数聚类算法都需要距离矩阵。如果数据的维数较低，则创建距离矩阵很容易。但是，考虑8000点左右的时间序列呢？

for i in range(total_series):
    for j in range(total_series):
        dis[i][j] = distance(series[i],series[j])

很明显，创建此矩阵所需的最短时间为O（n^2）。现在，如果我们比较两个时间序列的所有8000点，时间复杂度将会非常高。我只是在谈论对齐距离（欧几里德距离），而不是一些编辑距离

因为我们有大约50000个要聚类的时间序列，所以O（n^2）对于循环的时间序列来说会非常高。我需要通过一些索引或预处理技术在最短的时间内计算距离函数。请注意，距离函数将进行逐点比较

---

有人能提出一些技术，让我们通过一些预处理，在不到O（时间序列长度）的时间序列中找到两个时间序列之间的距离吗？或者建议一些不创建时间复杂度为O（n^2）的距离矩阵的聚类方法？

由于欧几里德距离的对称性，您可以计算具有O（n^2/2）复杂度的三角形矩阵