大多数聚类算法都需要距离矩阵。如果数据具有较低的维度，则创建距离矩阵很容易。但是要考虑大约8000点的时间序列呢？
for i in range(total_series):
for j in range(total_series):
dis[i][j] = distance(series[i],series[j])
很明显，创建此矩阵所需的最短时间为O（n ^ 2）。现在，如果我们比较两个时间序列的所有8000点，时间复杂度将非常高。我只是在谈论对齐距离（欧几里得）而不是一些编辑距离。
由于我们有大约50,000个时间序列到集群，O（n ^ 2）对于那些for循环来说非常高。我需要通过一些索引或预处理技术在最短的时间内计算距离函数。请注意，距离函数将逐点比较。
有人可以提出一些技巧，以便我们可以通过一些预处理找到两个时间序列之间的距离小于O（时间序列的长度）吗？或者建议一些聚类方法，而不创建时间复杂度为O（n ^ 2）的距离矩阵？
答案 0 :(得分：0)
欧几里德距离的对称性质可以计算出具有O（n ^ 2/2）复杂度的三角矩阵