基于時間序列的頻繁模式挖掘研究與應用.pdf

1、伴隨著互聯(lián)網(wǎng)的不斷發(fā)展，越來越多的用戶每天在網(wǎng)絡上進行著社交、網(wǎng)上購物、瀏覽新聞等不同類型的網(wǎng)絡活動，同時網(wǎng)站后臺記錄了這些用戶大量的交互信息、購買、點擊、瀏覽等行為，產(chǎn)生了海量的結構化數(shù)據(jù)，半結構化數(shù)據(jù)，甚至非結構化數(shù)據(jù)。這也促進了大數(shù)據(jù)技術的蓬勃發(fā)展。其中，數(shù)據(jù)挖掘技術就是近年在對海量用戶行為數(shù)據(jù)進行整合處理和深層次模式發(fā)現(xiàn)的實際需求下，產(chǎn)生的一項非常流行且重要的技術。頻繁模式挖掘是數(shù)據(jù)挖掘技術的一個重要研究方向。
　　本文基

2、于傳統(tǒng)的時間序列數(shù)據(jù)挖掘研究，以氣象領域的時間序列數(shù)據(jù)分析為實際應用背景，對基于時間序列頻繁模式挖掘中的時間序列符號化、基于時間序列的頻繁項集挖掘、基于時間序列的頻繁序列挖掘和基于Hadoop平臺的頻繁模式挖掘等四個方面的問題進行了深入研究和分析，對于時間序列符號化技術和時間序列頻繁項挖掘的關鍵算法提出了改進，并取得了一定成果。
　　由于時間序列數(shù)據(jù)固有的結構特性，如高維性質、連續(xù)性以及現(xiàn)實觀測設備引入的各種噪聲使得一般的時間序列

3、處理流程通常會先將時間序列轉換成離散的、有序的字符串，再在轉換后的字符序列上進行后續(xù)挖掘任務。本文在對氣象數(shù)據(jù)時間序列的頻繁模式挖掘中，為了更好的識別時間序列的局部趨勢變化，對時間序列符號化的分段線性化步驟進行了改進，提出了基于誤差增量的符號化算法。其次，為了更好處理海量的時間序列數(shù)據(jù)，本文基于Hadoop的Map-Reduce模型實現(xiàn)了負載均衡的FP-growth算法的分布式計算程序。最后本文還實現(xiàn)了基于Python的時間序列數(shù)據(jù)挖掘