時間序列數(shù)據(jù)分類、檢索方法及應(yīng)用研究.pdf

1、時間序列數(shù)據(jù)是一類重要的具有時序特征的數(shù)據(jù)對象。時間序列數(shù)據(jù)可以通過科學(xué)應(yīng)用以及其他商業(yè)應(yīng)用（例如，金融領(lǐng)域）方便的獲取得到。一個時間序列是一組按照時間先后順序排列好的數(shù)據(jù)采樣觀察值。具體地，時間序列數(shù)據(jù)的性質(zhì)包括:數(shù)據(jù)規(guī)模大（大數(shù)據(jù)），高維度以及流數(shù)據(jù)特性（數(shù)據(jù)更新連續(xù)）。此外，時間序列數(shù)據(jù)采樣點具有連續(xù)性和數(shù)值特性，整個時間序列可以被看成是一個整體的數(shù)據(jù)對象而非每個單獨具體的數(shù)值采樣點。由于時間序列可以方便的采集得到，大量的時間序列

2、數(shù)據(jù)可以用于科學(xué)研究和深入的數(shù)據(jù)挖掘。在過去十年中，大量的科學(xué)工作者致力于時間序列數(shù)據(jù)挖掘工作，并取得了很多有效的成果。與此同時，由于時間序列數(shù)據(jù)的復(fù)雜特性，實際應(yīng)用中時間序列數(shù)據(jù)挖掘面臨了很多挑戰(zhàn)。時間序列數(shù)據(jù)挖掘的目的之一是從時序數(shù)據(jù)形狀角度，嘗試抽取所有有意義的知識。整體上來看，時間序列數(shù)據(jù)挖掘同更一般的數(shù)據(jù)挖掘任務(wù)類似，同樣是為了更好的挖掘、抽取得到可以用于進一步分析和應(yīng)用的知識表示。盡管人類可以很直觀的、很自然的通過時間序列數(shù)

3、據(jù)“形狀”上的特性獲知每個時間序列的潛在知識，諸如:類別，是否相似，是否是反轉(zhuǎn)點等。然而，對于任何一部計算機，它都只能完成基本的機械式的計算任務(wù)。任何包括類似人的這種感知、理解、識別的能力，計算機都無法直接獲得。因此，包括數(shù)據(jù)挖掘、機器學(xué)習(xí)在內(nèi)的領(lǐng)域，其根本任務(wù)均為設(shè)計相應(yīng)的模型和算法，從某種程度上通過程序使得計算機獲得這種智能的感知、理解和識別等能力。
　　本文著重探索時間序列數(shù)據(jù)挖掘的若干問題。具體而言，本論文從時間序列數(shù)據(jù)分

4、類、時間序列數(shù)據(jù)檢索以及時間序列表示和建模等方面入手，結(jié)合現(xiàn)實生活中的若干具體問題提出了相應(yīng)的模型和方法，并通過大量實驗驗證了這些方法的有效性和其在性能上的優(yōu)勢。本篇論文的主要目的之一是通過機器學(xué)習(xí)和數(shù)據(jù)挖掘的方法，結(jié)合具體工業(yè)、科學(xué)領(lǐng)域的具體問題，設(shè)計并提出解決相應(yīng)問題的模型和方法，從而更好的解決現(xiàn)實世界中對應(yīng)的時間序列數(shù)據(jù)的問題。我們希望本篇論文能夠提供一種新的看待時間序列數(shù)據(jù)的視角給相關(guān)時間序列研究人員，從而使該工作獲得更廣泛的關(guān)

5、注并被擴展、引申出更多深入的研究工作。
　　本文的研究內(nèi)容分為四個部分，分別探索時間序列表示方法，多元時間序列分類問題，時間序列快速檢索以及時間序列分段表示以及建模問題。針對以上四個具體的時間序列數(shù)據(jù)挖掘問題，結(jié)合現(xiàn)實世界中四個具體的問題，我們相應(yīng)的提出了四個具體的模型方法來解決這些問題。
　　在過去十幾年里，時間序列數(shù)據(jù)挖掘中的序列分類問題引起了學(xué)術(shù)界大量的關(guān)注。相應(yīng)地，以往學(xué)者提出了許多有關(guān)時間序列分類的方法，并且認為基

6、于最近鄰（k-Neartest Neighbor，特別是1-NN）的方法是目前效果最好的分類方法。對于給定的具體分類問題，由于基于最近鄰方法的分類效果主要依賴于距離度量的選擇，因此，如何對給定問題選擇一個合適的距離度量成為了時間序列數(shù)據(jù)挖掘中的一個熱門的研究問題。
　　目前，針對時間序列數(shù)據(jù)，已經(jīng)存在許多基于不同角度設(shè)計的距離度量方法。其中，應(yīng)用最為廣泛的兩個距離度量方法是歐式距離(Euclidean distance)和動態(tài)時間

7、反轉(zhuǎn)（Dynamic Time Warping）。歐氏距離是一種簡單有效的度量方法，在一些實際的時間序列數(shù)據(jù)分類中，它可以獲得比較好的分類效果。相對地，動態(tài)時間反轉(zhuǎn)引入了兩個序列對齊的概念，從而允許兩個時間序列不同時間點的數(shù)據(jù)進行對齊。這種序列對齊的方法使得動態(tài)時間反轉(zhuǎn)在一些分類場景下獲得了比歐式距離好的效果。然而，動態(tài)時間反轉(zhuǎn)主要的一個缺點是它需要更多的計算開銷，并且，盡管結(jié)合1-NN方法，在許多場景下，它可以獲得最好的分類效果，但是

8、對于其他一些實際應(yīng)用問題，它的分類效果沒有明顯優(yōu)于其他度量方法。目前的研究結(jié)果表明，沒有一種時間度量方法能夠在所有時間序列數(shù)據(jù)上都可以獲得最好的分類效果。另一方面，一般來說距離度量的選擇需要人為的經(jīng)驗選擇，因此，這需要大量的人力成本和時間開銷。因此，對于時間序列數(shù)據(jù)如何自動的選擇一個合適的距離度量是目前時間序列數(shù)據(jù)挖掘領(lǐng)域的一個挑戰(zhàn)。
　　借鑒特征學(xué)習(xí)的方法，我們探索距離度量學(xué)習(xí)方法在時間序列數(shù)據(jù)上的應(yīng)用。具體地，通過距離度量的學(xué)

9、習(xí)，針對不同的數(shù)據(jù)，我們可以自動的學(xué)習(xí)得到更好地距離度量方法，從而可以提升時間序列分類的準(zhǔn)確率。過去幾年，許多距離度量學(xué)習(xí)方法已經(jīng)被提出。其中，一種通過線性變換的模型名為近鄰成分分析(Neighborhood Components Analysis，NCA)的方法，通過學(xué)習(xí)得到的原始數(shù)據(jù)的低維表示方法，結(jié)合k-NN分類器，從而提升了分類的準(zhǔn)確率。然而，這種簡單的線性變換的局限在于它不能夠?qū)υ紨?shù)據(jù)高階的相關(guān)性進行建模，從而影響了分類的效

10、果。因此，基于NCA方法，另一種稱為非線性近鄰成分分析(Nonlinear NCA)的距離度量學(xué)習(xí)方法被提出。這種方法能夠?qū)W習(xí)獲得原始數(shù)據(jù)更好的低維空間表示，從而可以獲得比線性近鄰成分分析方法更好的分類的準(zhǔn)確率。遺憾的是，對于時間序列數(shù)據(jù)，以上兩種距離度量學(xué)習(xí)方法不能夠捕捉到時間序列的本質(zhì)特性，即時間軸上的偏移(time shift)。
　　為了能夠捕捉時間軸上偏移的特性，我們結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點，即時空不變形，針對時間序列數(shù)據(jù)

11、，提出了一種全新的距離度量學(xué)習(xí)方法。具體地，我們基于非線性近鄰成分分析方法(NNCA)，設(shè)計了一種名為卷積非線性近鄰成分分析的距離度量學(xué)習(xí)方法(CNNCA)。該方法不僅能夠?qū)W習(xí)得到低維空間的非線性數(shù)據(jù)映射，并且可以捕捉到時間序列在時間軸上的偏移。通過學(xué)習(xí)得到數(shù)據(jù)的低維空間表示，結(jié)合1-NN分類器，我們通過大量實驗證明了，對于許多數(shù)據(jù)集，這種基于卷積非線性近鄰分析方法學(xué)習(xí)得到的距離表示可以獲得比傳統(tǒng)歐式距離，動態(tài)時間反轉(zhuǎn)，基于窗口約束的D

12、TW更好的分類效果。特別對于每個類別都含有大量充足訓(xùn)練數(shù)據(jù)的數(shù)據(jù)集，這種方法的優(yōu)勢更明顯。另一方面，我們通過比較不同方法的效率，發(fā)現(xiàn)CNNCA對于大數(shù)據(jù)集和長時間序列具有效率上的優(yōu)勢。該項研究內(nèi)容的主要貢獻分為如下三個方面:
　　盡管目前已經(jīng)存在若干關(guān)于時間序列距離度量學(xué)習(xí)方法的研究，但是就我們所知，過去的工作在學(xué)習(xí)距離度量過程中，基本上沒有考慮時間軸上的偏移問題，而我們主要考慮時間序列的這個特性。
　　進而，我們針對時間序

13、列數(shù)據(jù)提出了一種全新的距離度量學(xué)習(xí)方法(CNNCA)。該方法能夠通過卷積神經(jīng)網(wǎng)絡(luò)和多層感知機學(xué)習(xí)得到時間序列的組合特征表示，進而利用隨機近鄰分類的方法學(xué)習(xí)得到低維的距離度量表示。
　　通過在大量公開數(shù)據(jù)集上的實驗對比，我們發(fā)現(xiàn)相比傳統(tǒng)的時間序列距離度量（如歐式距離、動態(tài)時間反轉(zhuǎn)等）以及提及的兩種距離度量學(xué)習(xí)方法（LNCA和NNCA），CNNCA方法學(xué)習(xí)得到的距離度量都能夠在某種程度上提升分類的準(zhǔn)確率，特別對于相對較大規(guī)模的數(shù)據(jù)集。

14、
　　隨著信息技術(shù)的發(fā)展和進步，傳感器的價格越來越低廉，這使得近些年傳感器的使用越來越普及。因此，大量的來自不同領(lǐng)域（例如，生物信息領(lǐng)域，金融領(lǐng)域，移動互聯(lián)網(wǎng)以及醫(yī)療領(lǐng)域）的時間序列數(shù)據(jù)可以被容易的采集得到。于是，諸如一元時間序列分類問題、多元時間序列分類問題這些時間序列數(shù)據(jù)挖掘的研究問題得到了很多學(xué)者的關(guān)注。
　　特別地，較比一元時間序列，多元時間序列數(shù)據(jù)對于潛在的特征模式能夠提供更多的信息（通過不同的維度提供更多的視角）

15、，從而，多種角度的信息可以幫助提升時間序列分類的準(zhǔn)確率。因此，多元時間序列分類任務(wù)在許多實際應(yīng)用問題中變得越來越重要。在本項研究中，我們著重考慮多元時間序列分類問題。在過去十幾年，已經(jīng)有許多時間序列分類算法被提出。并且，許多以往的工作聲稱，在這些分類方法中，基于距離度量方法的k最近鄰方法（k-NN）能夠獲得最好的分類效果。另一方面，更多的證據(jù)也表明，對于許多不同領(lǐng)域的時間序列數(shù)據(jù)，動態(tài)時間反轉(zhuǎn)度量是目前效果最好的序列距離度量方法。因此，

16、采用動態(tài)時間反轉(zhuǎn)(DTW)度量的k-NN方法在大部分場景下可以獲得最好的分類準(zhǔn)確率。相對基于距離度量的方法，傳統(tǒng)的基于特征的分類方法也可以應(yīng)用于時間序列數(shù)據(jù)。然而，這種方法的分類準(zhǔn)確率嚴(yán)重依賴于人工構(gòu)造的特征質(zhì)量。不同于其他數(shù)據(jù)類型，對于時間序列數(shù)據(jù)，我們很難直觀的人為構(gòu)造出很好的、能夠捕捉到時間序列本質(zhì)特性的特征表示，因此，基于特征的分類方法的分類效果一般沒有基于距離度量的方法的分類效果好，特別對于1-NN和DTW方法?；仡欀疤岬降?/p>

17、1-NN和DTW的不足，我們得到了如下的研究動機。針對基于特征的分類方法，是否可以提高其分類準(zhǔn)確率？使得基于特征的分類方法不僅能夠在計算效率上有優(yōu)勢并且在分類準(zhǔn)確率上也有一定的競爭能力？
　　受到深度學(xué)習(xí)應(yīng)用在圖像分類任務(wù)中的啟發(fā)，我們設(shè)計并提出了一種應(yīng)用于多元時間序列數(shù)據(jù)的深度學(xué)習(xí)框架。深度學(xué)習(xí)技術(shù)不需要人工構(gòu)造特征表示，相對地，它可以通過原始數(shù)據(jù)自動的學(xué)習(xí)得到層次化的特征表示。具體地，我們提出了一種有效的多通道深度卷積神經(jīng)網(wǎng)絡(luò)

18、(MC-DCNN)模型用于多元時間序列分類問題。該模型中，每一個通道的輸入是相應(yīng)多元時間序列中某個一元時間序列數(shù)據(jù)，每個通道獨自的學(xué)習(xí)該一元時間序列的層次化的特征表示。并且，每個通道學(xué)習(xí)得到的特征表示再通過多層感知機進行特征的融合并進行分類。基于梯度的方法被用于模型的訓(xùn)練。我們通過幾個真實世界的數(shù)據(jù)集對MC-DCNN方法以及對比方法進行評測。實驗結(jié)果表明MC-DCNN方法的分類效果優(yōu)于其他的對比方法并且具有更好的泛化能力（特別對于弱標(biāo)注

19、的數(shù)據(jù)）。此外，我們還對比了幾種不同的激發(fā)函數(shù)和池化策略(pooling strategy)，并且比較了不同激發(fā)函數(shù)和池化策略組合在訓(xùn)練過程中的收斂速率。為了進一步的提升分類效果，我們采用了一種無監(jiān)督的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的方法，并且提出了基于預(yù)訓(xùn)練的多通道卷積深度神經(jīng)網(wǎng)絡(luò)模型。同時，為了更好的感知模型學(xué)習(xí)得到的特征，我們對卷積層學(xué)習(xí)得到的局部特征進行了有效的可視化展示。
　　地震學(xué)界對于實時的報告地震信息的進行大量的努力和研究。最

20、近幾年，這些研究和努力集中在地震預(yù)警系統(tǒng)的開發(fā)工作中。這些預(yù)警系統(tǒng)可以在地震發(fā)生后幾秒到幾分鐘之內(nèi)對公眾發(fā)出預(yù)警消息。目前在世界范圍內(nèi)存在若干個地震預(yù)警系統(tǒng)，包括日本的REIS，墨西哥的SAS，臺灣的VSN以及土耳其的IERREWS系統(tǒng)。美國的研究人員致力于開發(fā)針對加利福尼亞地區(qū)的ElarmS早期預(yù)警系統(tǒng)，然而該系統(tǒng)的效果不明顯。目前已經(jīng)存在若干魯棒的算法用于自動的估計地震震源信息。例如，日本的REIS系統(tǒng)能夠在P波(P-wave)到達

21、之后5秒鐘之內(nèi)，利用密集的地震監(jiān)測臺站網(wǎng)絡(luò)數(shù)據(jù)，得到地震的位置和震級信息。然而，盡管采用新近提出的基于格林函數(shù)以及矩張量反演方法，該系統(tǒng)仍然需要若干分鐘甚至更多的時間來推斷震源機制解信息。同樣地，基于GPS數(shù)據(jù)的方法也需要若干分鐘才能夠得到大地震矩張量的幾何中心。
　　探索實時的推斷地震震源機制、震源位置和震級有著非常重大的意義。以海嘯預(yù)測為例，海嘯預(yù)測需要使用全部的震源參數(shù)，包括震源深度，震級，滑動(slip)以及斷層的走向（s

22、trike和dip）。例如，2010年10月25日發(fā)生在蘇門答臘島西部海域的震級為Mw7.7的淺層地震，引起了局部地區(qū)的海嘯并且在幾分鐘之內(nèi)到達該島，使得400多人意外喪生。震源機制解的研究表明這次地震是由逆斷層機制引起海水運動造成的。另一個相對的例子是在2012年4月11日發(fā)生的震級為Mw8.6的印度洋大地震之后大約兩小時的震級Mw8.2的余震，該余震并沒有引起海嘯，盡管已經(jīng)發(fā)布了預(yù)警信息。震源機制解的研究表明這兩次地震都是由于走向滑

23、動引起的。然而，相對較少的海水移動不太可能會引發(fā)海嘯。
　　實時的震源機制解估計對于監(jiān)測地質(zhì)斷層的活動具有很重要的作用。通過分析1999年震級Mw7.6的伊茲米特地震，發(fā)現(xiàn)一系列前陣的震源機制解顯示出相似的斷層滑動方式。局部地區(qū)一組地震的震源機制解能夠有助于刻畫出該地區(qū)地質(zhì)斷層的活動。從而有利于實時的描繪出地震活躍區(qū)域的斷層移動方式。
　　估計震源機制解最大的挑戰(zhàn)在于如何在獲得地震數(shù)據(jù)后數(shù)秒鐘之內(nèi)更加快速自動化的得出結(jié)果。在

24、本研究中，我們借鑒傳統(tǒng)Web搜索引擎的思想，設(shè)計了一種基于圖像的地震圖搜索引擎(SeisE)，用以在一秒鐘之內(nèi)完成對地震震源參數(shù)的估計。具體地，我們事先通過相應(yīng)的地震模型構(gòu)造得到大規(guī)模的地震圖數(shù)據(jù)庫并且用于后續(xù)的檢索問題。類似于語音數(shù)據(jù)，每一個地震圖數(shù)據(jù)可以認為是一個一元的時間序列數(shù)據(jù)，并通過地震監(jiān)測臺站記錄得到地震引起的地表運動。每一個地震圖即時間序列，包含有地震震源信息以及該地震波傳播媒介的信息。假設(shè)我們采用的地球速度模型已知，我們

25、采用前向建模方法(forwardmodeling)來模擬生成地震圖并構(gòu)建地震圖數(shù)據(jù)庫。通過設(shè)定每個參數(shù)的集合構(gòu)建參數(shù)網(wǎng)格來完成地震圖數(shù)據(jù)庫的生成。地震搜索引擎的目的是查找得到輸入地震記錄在地震數(shù)據(jù)庫中最相似的若干個地震圖，即傳統(tǒng)的時間序列檢索問題。整個地震圖搜索以及后續(xù)震源參數(shù)估計過程都可以自動的完成，而不需要人為的干預(yù)。因此，該地震搜索引擎可以用于日常自動化的地震震源參數(shù)的推斷任務(wù)。我們通過若干具體的地震事件來驗證我們方法的有效性以及

26、效率。特別地，我們的方法可以在少于一秒鐘時間內(nèi)完成對輸入地震事件的震源參數(shù)估計，同時對于發(fā)生在地震數(shù)據(jù)庫之外區(qū)域的以及多個重疊地震事件（發(fā)生時間相近），我們的系統(tǒng)能夠有效的區(qū)分出這些情況并且通過設(shè)定初始閾值進行過濾。
　　過去二十年，股票收益或者股票指數(shù)預(yù)測吸引了許多研究者的關(guān)注。很長一段時間，為了預(yù)測股票市場的變化，主要存在兩類預(yù)測方法。一種是基于基本面分析的方法，另一種是基于技術(shù)分析的方法。前者主要側(cè)重于分析影響上市公司股票價

27、格的各種因素，比如整體經(jīng)濟情況以及公司的經(jīng)營狀況等。目的是判斷得出公司未來股票價格的長期走勢。相對于基本面分析，技術(shù)分析方法也稱為圖表法，通過分析上市公司股票價格的歷史數(shù)據(jù)，包括股票價格以及股票交易量等信息。至今，許多有效的基于曲線圖模式的方法已經(jīng)被用于預(yù)測股票價格的走勢，比如，head and shoulder，cup and handle等基于形狀的模式。此外，存在許多技術(shù)指標(biāo)(technical indicator)，例如，Mov

28、ing Average，Relative strengthindex(RSI)等指標(biāo)用于估計股票價格的反轉(zhuǎn)點。技術(shù)分析方法主要采用曲線圖模式以及領(lǐng)先的技術(shù)指標(biāo)來預(yù)測股票價格走勢，并且利用滯后的技術(shù)指標(biāo)來確認預(yù)測得到的股票價格反轉(zhuǎn)點。無論是基本面分析還是技術(shù)分析方法，兩種方法都需要大量的人工分析并且強烈依賴于分析人員的經(jīng)驗和能力才能獲得最后的決策。這樣使得投資者花費大量時間在分析股市上和決策判斷上。
　　隨著計算機相關(guān)領(lǐng)域的快速發(fā)展

29、，科技技術(shù)的進步使得很多研究人員嘗試采用數(shù)據(jù)挖掘或者機器學(xué)習(xí)的方法進行股票市場的預(yù)測。在過去二十年，許多有關(guān)股票市場預(yù)測方法被提出，包括基于機器學(xué)習(xí)的方法，比如基于神經(jīng)網(wǎng)絡(luò)的方法、基于支持向量機(SVM)的方法、基于模糊系統(tǒng)的方法和基于演化算法的方法等，以及基于統(tǒng)計模型的方法，比如基于GARCH(Generalized AutoRegressiveConditional Heteroskedasticity)模型的方法。這些研究的結(jié)果指

30、出，定量分析（即技術(shù)分析）和定性分析（即基本面分析）對于股票價格的預(yù)測都是有幫助的。
　　從基本面分析的角度看，社會上的公開信息，例如新聞，微博用戶的整體情感以及有關(guān)上市公司股票的分析文章都會影響或者反應(yīng)出整個股票市場的趨勢。Web可以認為是金融信息最大的信息源（例如新聞文章和個體用戶的觀點等），并且，許多研究人員指出可以基于社會大眾的情感分析從而預(yù)測股票市場的走勢。
　　股票市場被認為是一個高度復(fù)雜的系統(tǒng)，它包含了大量的噪

31、聲信息，并且是混沌的和非穩(wěn)定的。已知很多研究人員曾經(jīng)指出它們的方法（或者基于神經(jīng)網(wǎng)絡(luò)的，或者基于模糊邏輯的，或者基于任何其他的數(shù)據(jù)挖掘和機器學(xué)習(xí)方法）能夠在某種程度上用來預(yù)測未來股票價格或者股票價格走勢。然而，我相信大部分人員對此都這些方法的可靠性持懷疑的態(tài)度。另一方面，縱然我們相信這些方法可以在一定的準(zhǔn)確率條件下預(yù)測股票市場，例如，55％，那么，對于這些預(yù)測的結(jié)果，我們怎么用來指導(dǎo)我們進行決策呢？
　　直觀地，在進行股票交易的過

32、程中，我們最期望知道的信息是何時是短期時間內(nèi)該股票的最低價格，并且，更好的情況是我們還可以獲知何時是股票價格的最高值。為了簡化說法，我們將這些局部時間的最低股價和最高股價合稱為股票價格的反轉(zhuǎn)點(turning points)，具體地，將最低股價稱為“山谷點(valley)”，將最高股價稱為“山峰點(peak)”。股票價格反轉(zhuǎn)點可以認為是股票價格序列的一種高等級的抽象表示。任何股票價格序列都可以用一個反轉(zhuǎn)點的序列來表示（山谷點和山峰點交替

33、出現(xiàn)）。如果我們能夠相對準(zhǔn)確的預(yù)測反轉(zhuǎn)點的出現(xiàn)，那么理想的交易決策應(yīng)該是在山谷點買入股票并且在山峰點賣出股票?；谶@種交易策略，我們最終的收益將會增加。然而，如何才能知道何時是反轉(zhuǎn)點呢？如果我們將這個問題考慮為分類問題，并且期望通過數(shù)據(jù)挖掘方法或者機器學(xué)習(xí)方法來預(yù)測反轉(zhuǎn)點的出現(xiàn)，那么這個問題主要包括兩個挑戰(zhàn)。第一是怎樣獲得訓(xùn)練數(shù)據(jù)，即如何獲得已知反轉(zhuǎn)點的股票價格序列數(shù)據(jù)。第二是如何在已知訓(xùn)練數(shù)據(jù)的情況下，構(gòu)造有效地特征從而用來進行反轉(zhuǎn)點

34、的預(yù)測。本研究內(nèi)容主要嘗試探索以上兩個問題。具體地，我們通過設(shè)計得到一種股票反轉(zhuǎn)點預(yù)測的方法，最終得到基于預(yù)測反轉(zhuǎn)點的股票交易決策支持系統(tǒng)。該系統(tǒng)主要包括兩部分內(nèi)容，一是通過逐端重要點(PIP)識別方法以及邏輯規(guī)則方法得到反轉(zhuǎn)點的訓(xùn)練數(shù)據(jù)。二是通過大量豐富的技術(shù)指標(biāo)(technical indicator)作為反轉(zhuǎn)點的特征進行反轉(zhuǎn)點的預(yù)測任務(wù)。該項研究目的之一是探索技術(shù)指標(biāo)是否對股票反轉(zhuǎn)點的預(yù)測有幫助，另一個目的是通過預(yù)測的反轉(zhuǎn)點可以對