時序數(shù)據(jù)挖掘中的相似性和趨勢預測研究.pdf

1、時間序列數(shù)據(jù)挖掘是從大量的時間序列數(shù)據(jù)集中提取潛在的、有用的知識，據(jù)此預測時間序列的未來。本文進行了時序數(shù)據(jù)挖掘中的相似性和趨勢預測研究，主要工作如下： 首先對數(shù)據(jù)挖掘的基本理論與技術，時序數(shù)據(jù)挖掘、時序數(shù)據(jù)相似性搜索、時序數(shù)據(jù)趨勢挖掘的研究現(xiàn)狀、存在問題及其根源進行概述，綜述性地說明了進行本研究的價值和意義，簡述探索性分析方法等本文所涉及的理論、技術和方法。 在此基礎上，詳細評述時間序列相似性搜索的幾種主要近似表示方法

2、和數(shù)據(jù)變換方法，對這些方法進行分析和比較，總結這些方法的優(yōu)點和不足，提出目前研究中所忽略的上述方法的準確性、一致性和漏報問題及對相似時間序列的相似程度缺乏度量的共性問題。 借鑒以往研究中對相似性定義拓展的思想，定義了一個衡量時間序列相似程度的指標--相似度，較好地表達了時間序列近似表示的度量問題。分成四種典型情況，對基于近似表示的時序數(shù)據(jù)相似性搜索的一致性、近似程度影響、ε取值、漏報四個問題進行較深入的研究，推導出相關的定理，較

3、好地解決了上述問題，給出了能克服漏報的四種挖掘算法，最后進行了實例仿真驗證。 給出變換空間、變換空間相似、變換后在原始空間的表示、收斂的變換等定義，推導出收斂的變換必不產(chǎn)生漏報的結論。在此基礎上，對基于傅立葉變換的方法M-DFT、PAA變換法進行了研究，證明了M-FDT法、PAA變換法具有非漏報特性，并以PAA變換法的挖掘算法進行了實例仿真。 利用人工神經(jīng)網(wǎng)絡和最小二乘法各自在處理非線性關系和線性關系的獨特性能，提出基于