Как выполнить кластеризацию по среднему значению для данных временных рядов?

Как я могу сделать K-означает кластеризацию данные временного ряда? Я понимаю, как это работает, когда входные данные представляют собой набор точек, но я не знаю, как кластеризовать временной ряд с 1XM, где M - длина данных. В частности, я не уверен, как обновить среднее значение кластера для данных временных рядов.

У меня есть набор помеченных временных рядов, и я хочу использовать алгоритм K-средних, чтобы проверить, вернусь ли я обратно похожий ярлык или нет. Моя X-матрица будет NXM, где N - количество временных рядов, а M - длина данных, как упомянуто выше.

Кто-нибудь знает, как это сделать? Например, как я мог изменить этот код MATLAB для k-средних , чтобы он работал для данных временных рядов? Кроме того, я хотел бы иметь возможность использовать различные метрики расстояния, кроме евклидова расстояния.

Чтобы лучше проиллюстрировать мои сомнения, вот код, который я модифицировал для данных временных рядов:

% Check if second input is centroids
if ~isscalar(k) 
    c=k;
    k=size(c,1);
else
    c=X(ceil(rand(k,1)*n),:); % assign centroid randomly at start
end

% allocating variables
g0=ones(n,1); 
gIdx=zeros(n,1);
D=zeros(n,k);

% Main loop converge if previous partition is the same as current
while any(g0~=gIdx)
%     disp(sum(g0~=gIdx))
    g0=gIdx;
    % Loop for each centroid
    for t=1:k
        %  d=zeros(n,1);
        % Loop for each dimension
        for s=1:n
            D(s,t) = sqrt(sum((X(s,:)-c(t,:)).^2)); 
        end
    end
    % Partition data to closest centroids
    [z,gIdx]=min(D,[],2);
    % Update centroids using means of partitions
    for t=1:k

        % Is this how we calculate new mean of the time series?
        c(t,:)=mean(X(gIdx==t,:));

    end
end