求推荐适用于非均匀间隔时序分类数据的无监督聚类算法

针对你提到的非均匀间隔、带分类标记的时序数据（每个样本是(时间, 身体部位分类)的事件序列），这里提供几个适配的技术方向：

1. 标记点过程模型（Marked Point Processes, MPP） #

这是最贴合你数据类型的方法之一，专门用于处理非均匀间隔的事件序列，每个事件包含时间戳和标记（这里的标记就是身体部位分类）。

• 核心思路：直接建模事件发生的时间依赖性，以及标记（位置）之间的转移关系。比如自激发点过程（Self-Exciting MPP），可以捕捉一个肌肉激活事件对后续事件发生概率的影响——比如某部位激活后，相邻部位在短时间内激活的概率更高。
• 优势：不需要对原始数据做均匀化插值，完全保留时间间隔的信息，天然适配稀疏的事件型数据，能直接建模时间依赖和分类标记的关联。

2. 带时间嵌入的Transformer/LSTM模型 #

如果希望用深度学习方法，可以通过时间嵌入来解决非均匀间隔的问题：

• 预处理步骤：将每个事件的时间戳转换为相对时间（相对于样本起始时间的差值），或者计算相邻事件的时间间隔，把这些时间特征和分类标记的one-hot编码拼接在一起，作为模型的输入序列。
• 模型选择：
  • Transformer：利用自注意力机制，能自动捕捉不同时间点事件之间的依赖关系，不管时间间隔是否均匀，只要输入包含时间特征，就能学习到时间间隔对关联强度的影响。
  • LSTM/GRU：如果序列的时间顺序依赖更强，可以用带时间特征输入的循环模型，在每个时间步输入位置标记+时间信息，让模型学习时间间隔带来的依赖变化。
• 优势：可以利用深度学习的强大拟合能力，同时灵活处理非均匀间隔，适合样本量较大的场景。

3. 自定义时间核的SVM分类 #

如果偏好传统机器学习方法，可以设计时间感知的核函数，结合SVM进行序列分类：

• 核函数设计思路：衡量两个样本序列的相似度时，不仅考虑身体部位分类是否匹配，还要给时间间隔更近的匹配事件更高的权重。比如用高斯核加权时间差：对于样本A的事件(t1, p1)和样本B的事件(t2, p2)，如果p1=p2，相似度为exp(-(t1-t2)²/(2σ²))，否则为0，最后对所有匹配事件的相似度求和作为两个样本的核值。
• 优势：不需要复杂的预处理，直接基于原始序列计算相似度，能有效捕捉时间依赖和分类标记的关联，适合样本量较小的场景。

4. 时序图神经网络（Temporal GNN） #

把每个样本的事件序列转化为图结构来建模：

• 构图方式：将每个(时间, 位置)事件作为图的节点，节点特征包含位置的one-hot编码和时间戳；然后根据时间先后顺序或时间间隔的远近构建边（比如给时间间隔小于阈值的节点之间添加有向边，从早的事件指向晚的事件）。
• 模型训练：用GNN（比如GAT、GCN）学习节点之间的依赖关系，最后通过图池化得到整个样本的表示，再进行分类任务。
• 优势：能灵活建模非均匀间隔下的事件关联，边的构建可以根据业务需求调整，适合需要解释事件间关联的场景。

内容的提问来源于stack exchange，提问作者kris