多元时间序列的变量变化通常是模糊的，不关注任何特定的时间点。 因此，定义段的清晰边界是不切实际的。 虽然模糊聚类算法被广泛用于对重叠和模糊的对象进行分组，但它们不能直接应用于时间序列分割，因为聚类需要在时间上是连续的。 本文提出了一种用于同时识别局部概率主成分分析 (PPCA) 模型的聚类算法，该模型用于测量片段的同质性，以及用于及时表示片段的模糊集。 该算法有利于时间上的连续集群，并且能够检测多元时间序列隐藏结构的变化。 已经制定了基于簇的兼容性标准的模糊决策算法来确定所需的段数，而所需的主成分数由模糊协方差矩阵的特征值的screeplots确定。 应用实例表明，这种新技术是分析历史过程数据的有用工具。
该技术还描述于： J. Abonyi、B. Feil、S. Nemeth、P. Arva，用于多元时间序列模糊分割的修正 Gath-Geva 聚类，模糊集和系统 149 (2005)
