时间序列也被称为动态序列,由一组随时间变化记录的观测量组成。时间序列是一种复杂的数据对象,用来描述事物的变化过程。多通道时间序列是指同一个对象随时间变化同时拥有多个通道并行地记录的数据。作为一种特殊类型的时间序列,多通道时间序列包含了多种从不同渠道观察得到的不同类型的集合,它可以存储比单通道时间序列更为复杂的信息,因此被越来越多地应用在不同的领域中。而随着此类数据集越来越多的出现,如何有效地管理和分析大量的多通道时间序列成为了一个巨大的挑战。在研究多通道时间序列中存在两个亟待解决的关键问题。第一,多通道时间序列中的序列都非常长,而且存在于不同通道中,而从不同通道中提取到的特征往往又是自包含的并且有些类似,所以需要一种有效的特征提取方法,该方法能够从中得到可以区分的特征,以便更好的预测多通道时间系列类标签。第二,多通道时间序列的每个通道里都包含了不同类型的信息,这个特殊的结构使得如何有效的利用这些信息成为一个难题,在挖掘多通道时间序列的任务中,迫切的需要一个能够有效解决这个难题的方法。针对以上问题,结合一种改进的Bag-of-Patterns(BoP)特征提取方法,本文提出了一种无监督的分层IB(hierarchical Information Bottleneck,简称hIB)算法。该算法分为两层,两层间的信息能够相互传播,使得此算法能够充分的利用多个不同通道中所包含的信息,得到较好的聚类结果。分层IB算法的第一层使用了自凝聚策略,以自底向上的方式把多个通道内的信息进行处理、合并,得到一个层次的特征聚类树,这种做法使得多通道时间序列里的所有信息能够相互传播、影响;分层IB算法的第二层算法将第一层得到的特征聚类树作为输入,对原有的多通道时间序列进行划分,得到最终的聚类结果。本文将分层IB算法与传统聚类算法以及能够处理多重信息的聚类算法进行了实验对比,实验结果显示,分层IB聚类准确度均高于其他对比算法并且表现出一定的稳定性。实验结果充分说明本算法可以有效地解决上述多通道时间序列挖掘中的两个关键问题,对于处理多通道时间序列十分有优势。