clara() 函数中的 k-medoids 使用距离来形成集群，所以我得到了这个模式：
a <- matrix(c(0,1,3,2,0,.32,1,.5,0,.35,1.2,.4,.5,.3,.2,.1,.5,.2,0,-.1), byrow=T, nrow=5)
cl <- clara(a,2)
matplot(t(a),type="b", pch=20, col=cl$clustering)
但我想找到一种聚类方法，根据其趋势为每条线分配一个聚类，因此第 1、2 和 3 行属于一个聚类，第 4 和 5 行属于另一个聚类。
这个问题可能更适合 stats.stackexchange.com，但无论如何这里有一个解决方案。
您的问题实际上是“我如何选择正确的距离度量？”。您需要一个衡量趋势相似性的距离，而不是这些向量之间的欧几里得距离。
这是一个选项：
a1 <- t(apply(a,1,scale))
a2 <- t(apply(a1,1,diff))
cl <- clara(a2,2)
matplot(t(a),type="b", pch=20, col=cl$clustering)
我没有定义新的距离度量，而是通过转换数据完成了基本相同的事情。首先缩放每一行，以便我们可以比较相对趋势，而不会因规模差异而让我们失望。接下来，我们只是将数据转换为差异。
警告：这不一定适用于所有“趋势”数据。特别是，观察连续的差异只能捕捉到“趋势”的一个单一的、有限的方面。您可能需要考虑更复杂的指标。
做更多的预处理。对于任何数据挖掘，预处理是 90% 的工作量。
例如，如果您想按趋势进行聚类，那么您可能应该将聚类应用于趋势，而不是原始值。例如，将每条曲线标准化为均值 0 和标准差 1。然后计算一个值与下一个值的差异，然后将聚类应用于此预处理数据！
您可以使用k means聚类算法，但在去那里之前，我建议您创建一个N* N矩阵，其中每个元素代表一个趋势与另一个趋势的相关分数。
然后使用任何聚类算法（如 kmeans/层次聚类）来聚类相似的趋势。
a <- matrix(c(0,1,3,2,0,.32,1,.5,0,.35,1.2,.4,.5,.3,.2,.1,.5,.2,0,-.1),byrow=T, nrow=5)
library(TSclust)
library(reshape2)
Tech1 <- diss(a,"COR") # Correlation
Tech2 <- diss(a,"EUC") # Euclidean Distance
Tech3 <- diss(a, "DTW") # Dynamic Time Wrapping
clust1 <- kmeans(Tech1, 3)
clust1 <- kmeans(Tech2, 3)
clust1 <- kmeans(Tech3, 3)
clust1$cluster
>> 1 2 3 4 5
>> 1 2 2 3 3
clust2$cluster
>> 1 2 3 4 5
>> 1 2 2 3 3
clust3$cluster
>> 1 2 3 4 5
>> 3 2 2 1 1