面向時間序列相似性的序列模式挖掘及應用.pdf

1、時間序列數(shù)據(jù)分析技術已廣泛應用于交通、金融、環(huán)境、醫(yī)學等領域的數(shù)據(jù)挖掘中，其重要性與日俱增。傳統(tǒng)時間序列數(shù)據(jù)分析技術大多側重于對整段時間序列建立各種數(shù)學模型，而忽視了特定區(qū)間的時間序列對結果分析的重要性;同時，傳統(tǒng)時間序列數(shù)據(jù)分析技術研究對象主要是單變量時間序列，未考慮受多種因素影響的多變量時間序列;此外，時間序列模式挖掘的研究方法是直接對大量歷史時間序列進行符號化，存在針對性不強、速度較慢等問題。針對上述問題，本文在深入分析傳統(tǒng)時間序

2、列相似性搜索算法和經(jīng)典時間序列模式挖掘算法的基礎上，在單變量時間序列方面，研究了各時間段序列的權值分配算法以及加權單變量時間序列相似性搜索算法;在多變量時間序列方面，研究了不同變量時間序列的權值分配算法以及加權多變量時間序列的相似性搜索算法;在此基礎上對時間序列模式挖掘過程進行了優(yōu)化;此外，還以滬深A股的實際交易價格時間序列為驗證對象，對本文的研究成果進行了實驗驗證。
　　本研究主要內容包括：⑴提出了單變量時間序列各時間段序列的權

3、值分配算法和加權單變量時間序列相似性搜索算法。針對各個時間序列區(qū)間具有不同特性且對相似性搜索結果的有效性影響程度各異，借鑒資訊檢索中詞條相關性算法，提出了各時間序列區(qū)間的權值分配算法，并將權值引入余弦相似性度量方法進行加權單變量時間序列相似性搜索。實驗結果表明，加權單變量時間序列相似性搜索算法的準確性更高；⑵提出了多變量時間序列各變量的權值分配算法和加權多變量時間序列相似性搜索算法。針對單變量時間序列相似性搜索算法僅考慮單個影響因素的不

4、足，借鑒多屬性決策問題的相對熵賦權法，提出了一種適合于多變量時間序列相似性搜索的變量權值分配算法及相應的多變量時間序列相似性搜索算法。實驗結果表明，加權多變量時間序列相似性搜索算法所搜索出的時間序列其后續(xù)序列與理想股價走勢序列相似性更高；⑶設計了基于加權時間序列相似性搜索的時間序列模式挖掘優(yōu)化方案。針對已有的時間序列模式挖掘思路針對性差、時間消耗大等缺點，融合了加權多變量時間序列相似性搜索算法和差分符號化方法對時間序列模式挖掘預處理過程