時間序列部分周期模式挖掘算法研究.pdf

1、作為時間序列數(shù)據(jù)挖掘的前沿領(lǐng)域，時間序列周期模式挖掘研究有著重要的理論價值和現(xiàn)實意義，而部分周期模式挖掘和增量挖掘是其研究的重點和難點，為此，本文選擇時間序列部分周期模式挖掘作為主要對象進行研究。 本文首先綜述了時間序列數(shù)據(jù)挖掘和時間序列周期模式挖掘的研究現(xiàn)狀，指出研究的理論價值和現(xiàn)實意義。之后，給出時間序列、周期、部分周期、模式的L長度、增量時間序列的基本概念，并重點分析了Apriori性質(zhì)及基于其性質(zhì)的類Aporori算法、

2、最大子模式命中算法和整段增量算法（ES算法）。這作為全文研究的基礎(chǔ)，貫穿于時間序列部分周期模式挖掘和增量挖掘分析的全過程。 在回顧最大子模式命中算法之后，鑒于最大子模式樹的特點和不足，本文提出一種層狀鏈式圖結(jié)構(gòu)，對傳統(tǒng)的最大子模式樹算法進行了改進，利用仿真試驗對比了兩算法的時間復雜度。最后，本文還利用層狀鏈式圖對增量時間序列的部分周期模式挖掘進行了研究?；贓S算法思想提出的層狀鏈式圖部分周期模式增量挖掘算法，繼承了層狀鏈式圖的

3、存儲特性和對頻繁模式分離的優(yōu)勢，但是層狀鏈式圖也有局限性。在層狀鏈式圖的增量挖掘算法應(yīng)用仿真中，本文重點研究它同非增量挖掘思想的優(yōu)勢及考慮置信度變化時的算法伸縮性效率。 本文創(chuàng)新點在于提出一種層狀鏈式圖結(jié)構(gòu)，將它代替最大子模式樹來存儲命中模式集。層狀鏈式圖是根據(jù)模式的L長度分層存儲命中模式，它不需要按照直接可達祖先思想創(chuàng)建路徑的節(jié)點，因此減少了非命中模式節(jié)點的存儲。同時在模式分離時，算法通過搜索某一模式的超模式層達到減小匹配空間