利用kmeans或kshape聚类分析对归一化的无量纲时间-降雨序列进行聚类

目标

利用kmeans或kshape聚类分析对归一化的无量纲时间-降雨序列进行聚类（分类，区分降雨雨型的差异）

聚类算法的原理和参数

聚类是一种常见的无监督学习方法，其任务是将一组相似的数据点分组为不同的簇(cluster)。
簇内的数据点应该彼此相似，而不同簇间的数据点应该差异较大。
聚类算法有许多种，常见的有 K-means、层次聚类、DBSCAN、GMM 等。

K-means 算法的原理是：首先随机选择 K 个初始质心，然后将数据点分配到最近的质心所在的簇中。然后重新计算每个簇的质心，将其作为新的质心。重复进行这些步骤，直到簇内变异程度最小或达到预定的迭代次数。

K-means 算法的参数包括：

• k：簇的数量，需要根据实际问题选择合适的值。不同的 k 可能导致不同的聚类结果。由于该算法采用随机初始化，因此多次运行算法可以得到不同的结果。

• 初始质心的选择方法：通常是随机选择或者基于某种启发式规则来选择初始质心。初始质心的选择可能影响最终的聚类效果。

• 距离度量方法：可以使用欧几里得距离、曼哈顿距离、余弦距离等。

• 最大迭代次数：算法运行的最大迭代次数。如果聚类的结果已经收敛，则可以提前终止算法。

K-shape 算法是一种基于 K-means 的时间序列聚类方法，其原理是利用 DTW 距离度量两个时间序列之间的相似度，然后使用 K-means 聚类算法将时间序列分配到不同的簇中。
K-shape 算法的参数设置与 K-means 稍有不同，主要有：

• k：簇的数