Enabling multidimensional time series clustering using signal embeddings

L’obiettivo del lavoro di tesi è l’implementazione e la validazione di nuovi approcci per il clustering di time series multivariate. L’ approccio sviluppato utilizza tecniche di machine learning per creare sottospazi di embedding che si adattino alle caratteristiche specifiche di ogni dataset considerato. Tramite l’utilizzo di document encoder basati su reti neurali e algoritmi di natural language processing riadattati per il task oggetto di studio, puntiamo a creare vettori di embedding che siano in grado di sintetizzare in maniera accurata le caratteristiche delle multivariate time series per poter essere poi impiegati nei principali algoritmi di clustering. Gli esperimenti preliminari sono condotti su insiemi di dati provenienti da sensori posti su dei volontari durante lo svolgimento di alcune attività e pertanto l’obiettivo è raggruppare le time series nelle rispettive attività. Le metodologie sviluppate hanno dimostrato di riuscire ad ottenere un buon grado di incorporazione delle time series in un unico vettore permettendo l’applicazione di metriche standard per poterne valutare la similarità e conseguentemente il raggruppamento in cluster, raggiungendo inoltre risultati di notevole interesse in termini di random index e silhouette.