多元時間序列中關聯(lián)規(guī)則的發(fā)現(xiàn)——以股票為例.pdf

1、近年來,數(shù)據(jù)挖掘領域出現(xiàn)了很多有關時間數(shù)據(jù)的研究,時間序列分析是其中非常重要的一部分.這些數(shù)據(jù)可以很容易的從科學研究和金融領域得到.例如:每日氣溫、產(chǎn)品輸出、基金和股票的價格等等.無疑,從這些序列中搜索有用的時序規(guī)則是非常有價值的.該論文從如下三個角度展開了討論:●挖掘多元時間序列中相同采樣點得到的觀察值之間的關聯(lián)規(guī)則(不考慮時間維的規(guī)則).關聯(lián)分析方法可以挖掘事務數(shù)據(jù)庫中"項"與"項"之間的規(guī)則.然而,時間序列的數(shù)據(jù)不是符號表示的事務

2、數(shù)據(jù),而是連續(xù)的數(shù)值數(shù)據(jù).該文將時間序列變換到離散(符號)的事務數(shù)據(jù)后,使用關聯(lián)分析方法,挖掘了多元時間序列在相同采樣點得到的觀察值之間的關聯(lián)規(guī)則.這種方法在分析中國證券市場多元股票時間序列間的關聯(lián)分析實驗中,得出了滿意的結果.●挖掘多元時間序列中不同采樣點得到的觀察值之間的關聯(lián)規(guī)則(考慮時間維的規(guī)則).傳統(tǒng)的關聯(lián)規(guī)則分析方法只能分析同一事務中"項"與"項"之間的關系,卻無法分析不同事務中各"項"的關系,這個弱點導致它不能分析不同時刻各

3、時間序列觀察值之間的關系.為了解決這個問題,該文提出了一種可以挖掘"跨事務"的關聯(lián)規(guī)則算法:ES-Apriori,并用這種算法挖掘多元時間序列中不同采樣點得到的觀察值之間的關聯(lián)規(guī)則.實驗證明,這個算法效率很高.從實驗得到的結果可以看到,發(fā)現(xiàn)的規(guī)則具有預測的意義.●挖掘多元時間序列中不同采樣點得到的頻繁片段模式間關聯(lián)規(guī)則(考慮時間維的規(guī)則).時間序列的很多片段模式會頻繁出現(xiàn),分析它們之間的關聯(lián)規(guī)則是非常有意義的.為了找到這些頻繁模式,該文

4、使用了基于"劃分"的聚類方法,并使用動態(tài)時間規(guī)整(DTW)計算不同片段之間的相似度.我們將聚類后每個簇的中心作為頻繁片段模板,并用它們匹配時間序列中與其相似的片段,經(jīng)過這樣的變換后,就可以分析多元時間序列不同采樣點的頻繁片段模式的關聯(lián)規(guī)則.該文從多個角度挖掘了多元時間序列中的關聯(lián)規(guī)則,著重討論了具有"跨事務"性的關聯(lián)規(guī)則分析方法,并且將這種分析方法的對象由"符號"擴展到了"模式".相應的算法在多策略數(shù)據(jù)挖掘平臺MSMiner系統(tǒng)中得到了