R 快速傅立叶变换与时间序列聚类

我正在做一个与确定销售动态相关的项目。我的数据库就是这样的。共有三列：

产品-显示产品组

周-产品发布后的时间（周），前26周

销售收益-每周产品的销售如何变化

数据库中有3302个观测值=127个时间序列

我的目标是将时间序列分组，向我展示不同的销售动态。在聚类之前，我想使用快速傅立叶变换来改变向量上的时间序列，并考虑振幅等因素，然后使用距离算法和分组乘积

这是我第一次处理FFT和集群，因此如果有人能指出我在使用FFT对销售动态进行分组之前/之后必须执行的步骤，我将不胜感激。我想在R中完成所有步骤，所以如果有人键入我应该使用哪些过程来完成所有步骤，那将是非常棒的

这就是我现在的时间序列

请注意，我对时间序列分析比较陌生（这就是为什么我不能把我的代码放在这里），所以您可以在R中提供任何清晰的信息，或者您可以推荐任何能够有效完成此任务的软件包，我们将不胜感激

---

另外，我在这里找到了DWT的代码->www.rdatamining.com/examples/time-series-clustering-classification，而不是FFT，但无法在我的数据库和时间序列上使用它（建议R在26周后分析新的时间序列）。有人能给我解释一下吗？

您的数据可能太少，FFT/DWT无法理解。DTW可能更好，但我也不认为它对销售数据有意义-为什么从一个位置到另一个位置会有x周的时间偏移？这并不是说这些数据是在未知的起始周捕获的

当您的数据具有有趣的重复模式时，FFT和DWT是好的，并且您具有A）良好的时间分辨率（对于音频数据，例如16000 Hz-我指的是数千个数据点！）和B）您不知道预期的频率。如果您知道，例如，您将有每周模式（例如，周日没有销售），那么您应该使用其他算法对其进行过滤

当您不知道事件何时开始以及它们如何对齐时，DTW（动态时间扭曲）很好。假设您正在捕获心脏测量值。你不能期望两个对象的心脏同步跳动。DTW将尝试对齐该数据，并可能（或可能不会）成功匹配，例如，两名受试者的心跳异常。理论上

也许你根本不需要专门的时间方法

A） 您的数据的时间分辨率太低

B） 您的数据已经完全对齐

---

也许你所需要的只是花更多的时间来预处理数据，特别是标准化，以便能够捕获相似性。

因为这更多的是一个算法问题而不是编程问题，你最好还是继续问下去。你的期望是什么？你认为明星产品会脱颖而出，而劣质产品会淡出市场吗？您是否尝试过一些简单的工具，如互相关，以确定随着时间的推移哪些序列具有相似的行为？还可以进行回归分析，然后根据其参数进行聚类。傅里叶变换通常用于（伪）周期信号，但在您的情况下，似乎没有足够的可用数据（即26周太少，无法捕捉季节性事件）。回归分析是什么意思？为每个时间序列创建模型？哪种基于参数的聚类群组观察方法？谢谢你的回答！那么你建议用什么方法呢？我想实现的结果是，对具有不同销售动态的产品进行聚类，并在图上显示这些不同的动态。我建议进行大量的预处理，而不是使用任何您觉得合适的算法，这样可以产生合理的结果。但预处理是关键。（根据您的数据，我们无法帮助您进行预处理）。