时间序列数据的挖掘是一个重要且成熟的研究主题,解决了很多现实问题。多变量时间序列(MTS)在众多领域应用广泛,如何对MTS准确高效地进行聚类已经成为一个热门的研究课题。相比较于单变量时间序列(UTS),因为高维度以及各变量之间复杂的依赖关系,并且适用于UTS的传统聚类方法也不能直接应用于MTS,使得MTS的研究具有更大的挑战性。同时,很多应用会产生大量事先未分割的时间序列数据。基于以上探索,本文对多变量时间序列聚类展开了研究,主要研究工作如下:(1)由于对于时间序列的研究大多集中在单变量时间序列上,且传统的基于距离的方法很难适用于多变量时间序列,我们提出了一种全新的基于模型的方法—基于稀疏逆协方差的Kullback-Leibler散度多变量时间序列聚类方法(KLDSICC)。该方法使用多变量高斯模型作为数据表示和簇原型,Kullback-Leibler散度作为距离度量。该方法包含两个阶段,首先将每个MTS转换成多变量高斯模型,并结合图形套索得到关键参数稀疏逆协方差;然后受到传统聚类方法K-Means原理启发,再利用多变量高斯模型之间的KL散度进行簇分配。与传统方法相比,KLD-SICC有效防止了过拟合现象并降低了时间复杂度。实验评估表明,相比于最新的MTS聚类方法,KLD-SICC具有更好的聚类性能。(2)为了同时对多变量时间序列进行分割和聚类,本文提出了基于自适应状态连续性的稀疏逆协方差多变量时间序列聚类方法(ASC-TICC)。此处,使用对数似然距离作为相似性度量,簇原型是具有稀疏逆协方差的多变量高斯模型。具体来说,引入状态连续性以使传统的高斯混合模型(GMM)适用于时间序列聚类。为了防止过度拟合,采用了交替方向乘子法(ADMM)来优化GMM的关键参数逆协方差。首先,基于相邻时间序列数据的距离相似性来计算自适应状态连续性。然后,将使用自适应状态连续性进行簇分配分配的动态规划算法作为E步,将求解稀疏逆协方差的交替方向乘子法作为M步。最后将E步和M步组合到一个期望最大化(EM)算法中,以进行聚类过程。在实验中,在两个数据集上验证了ASCSICC算法,结果证明了ASC-SICC算法的鲁棒性和良好的聚类性能。