時間序列特征模式挖掘關(guān)鍵方法研究.pdf

1、現(xiàn)在時間序列的數(shù)據(jù)存儲規(guī)模正呈現(xiàn)爆炸式的增長，因此，對這類海量的時序數(shù)據(jù)如何進行有效的知識發(fā)現(xiàn)，挖掘其潛在的各種變化模式；以及對于給定的具有抽象含義的變化模式，如何在海量時間序列庫中進行模式查找等應用分析，這是一個具有較大挑戰(zhàn)性的并在實際應用中具有重要意義的工作，本文通過在股票市場序列數(shù)據(jù)挖掘形態(tài)特征模式的實驗來驗證了以下時間序列挖掘中涉及到的的三個方面的內(nèi)容：
　　 一是重點探討時間序列的表示方法：定義時間序列基本趨勢的自然分

2、割點為重要點，對時間序列進行分段，壓縮后的時間序列不僅有效地繼承了原始時間序列的有效信息，而且相對于經(jīng)典的回歸分析，更適用于數(shù)據(jù)存儲量大、趨勢特征明顯的時間序列，提供了更為詳細的趨勢表示方法，而且模擬精度高。
　　 二是提出基于分段線性化和符號化后的相似性度量方法：從已有的時間序列相似性度量方法出發(fā)，變換原有的方式，達到更精確和更簡便的目的。
　　 三是對時間序列特征模式的提取進行研究：采用了基于重要點的分段線性化算法，

3、運用一種改進的基于互關(guān)聯(lián)后繼樹模型的時序特征模式挖掘方法。該方法不同于傳統(tǒng)處理模式，在序列分段上，采用基于重要點的時間序列線段化算法；在符號化過程中，采用了基于相對斜率和帶時間標記的局部符號化方法。既減少了計算復雜度，又避免了噪聲的影響。在挖掘算法實現(xiàn)上，根據(jù)序列形態(tài)特征模式的有序性和重復性，提出了一種無須生成大量的候選模式集的互關(guān)聯(lián)后繼樹挖掘算法。算法挖掘的結(jié)果不僅是一種圖形化的描述，而且還具有明確的實際含義，有利于在實際中的應用。<