基于ARMA模型的時間序列挖掘.pdf

1、時序挖掘分析作為數(shù)據(jù)挖掘的一個重要研究方向，是當今社會的研究熱點和難點。由于時間序列本身具有的特點，不能直接對時間序列進行分析，一般首先要進行特征提取。本文運用時間序列擬合自回歸移動平均(autoregressivemovingaverage，ARMA)模型的系數(shù)作為后續(xù)分析的前提，即以時間序列擬合ARMA模型的系數(shù)代表原始序列。給出了時間序列擬合ARMA模型的前提條件以及基本特征，對ARMA模型的建模步驟進行了介紹。時間序列分析的方向

2、有:預測、分類、聚類等，本文重點介紹的是基于ARMA模型分類和聚類。
　　 以心電信號(electrocardiogram，ECG)為例，通過自相關(guān)圖、時序圖等分析ECG信號的基本特征，發(fā)現(xiàn)滿足擬合ARMA模型的基本條件。確定ECG信號可以擬合ARMA(4，2)模型，以擬合估計的系數(shù)為特征，通過支持向量機進行分類，準確度達到了85.52％，證明利用ARMA模型對時間序列進行特征提取的方法是有效的。
　　 對時間序列進行聚

3、類，以擬合ARMA模型后的系數(shù)為特征，它們之前的歐式距離為相似度測量進行聚類分析，但這個過程是在一定前提下實現(xiàn):每個系數(shù)在聚類過程中的貢獻率是相同的，實際過程并非如此。通過ARMA模型擬合原時間序列后，每個系數(shù)代表原始序列的貢獻率是不同的，需要對每個系數(shù)加上一定的權(quán)重。本文提出了貢獻權(quán)重的概念，即以每維系數(shù)在首次聚類過程的貢獻率為權(quán)值與原系數(shù)相乘，得到一個新的系數(shù)向量，用此系數(shù)向量間的歐式距離為相似度測量標準進行聚類分析。以MIT-BI