在无监督学习中经常做出的基本假设是,问题是静态的,即,类别的描述不会随时间变化。 但是,许多实际的群集任务都涉及不断变化的环境。 因此,人们认识到,分析不断变化的环境趋势的方法和技术越来越受到关注和重视。 尽管聚类数值随时间变化的数据的问题已得到很好的探讨,但是聚类分类随时间变化的数据的问题仍然是一个具有挑战性的问题。 在本文中,我们提出了一个用于分类时间演化数据的通用聚类框架,该框架由以下三种算法组成:一种用于检测当前滑动窗口与最后一个滑动窗口之间差异的漂移概念检测算法,一种数据标记算法该算法根据最后一个滑动窗口的聚类结果为当前滑动窗口的每个对象确定最合适的聚类标签,以及一种聚类关系分析算法,用于分析不同时间戳下聚类结果之间的关系。 时间复杂度分析表明,这些算法对大型数据集有效。 在真实数据集上的实验表明,所提出的框架不仅可以准确地检测漂移概念,而且可以获得质量更高的聚类结果。 此外,与其他框架相比,提出的框架需要更少的参数,这对于特定的应用是有利的。