这完全取决于数据的可变性。

如果时间序列在原始值方面彼此之间变化太大，您可能看不到任何有意义的集群。

这就是为什么您需要转换数据以使时间序列更具可比性。

如果要检测行为模式，第一步是使用相对值而不是绝对值。

然后，始终建议对数据进行规范化。如果没有归一化，t-SNE 算法背后的高斯函数将不会以相同的方式分离小值和大值，并且可能导致更多的可变性（= 没有清晰的聚类）。

除此之外，如果原始值的可变性太高，应用日志可能会很有趣，但请注意会有精度损失，这通常并不重要，因为您只想在较低的维度。

最后，如果时间序列太长（可能是 100 个），并且 T-SNE 无法检测传感器之间的可见相似性，您应该通过应用 2 个或更多连续值之间的平均值来简化数据。

请记住，t-SNE 主要在您有很多变量时有用（例如：比较 50 个引擎，有 9 个传感器，每个传感器有 100 个值，并且您希望将这 9 个传感器降低到 2 个维度）您想要可视化以检测相似性或差异。

我的最后一个建议是先从一个重要的传感器开始，然后再考虑更多的传感器。一旦您使用一个传感器获得有趣的结果，您就可以使用更多传感器来增加复杂性。或者，您可以应用 UMAP：它具有在集群之间建立相关性的好处，不需要归一化，但结果可能比较低维度中各个点之间的 t-SNE 差。传感器之间的相关性研究可能很有趣：可以丢弃一些没有相关性或相关性低或噪声太大的传感器。

总之，数据预处理至关重要，并且取决于您使用的算法，但始终从较小的数据集开始，您可以评估结果质量，然后再考虑整个数据集。