基于變化特征離散化的多維時間序列關聯(lián)分析.pdf

1、隨著工程機械上不同類型傳感器如溫度傳感器、壓力傳感器、濕度傳感器等的大規(guī)模部署，這些傳感器產生了大量的多維度時間序列數(shù)據(jù)。通過對這些傳感器采集的時間序列數(shù)據(jù)關聯(lián)分析，可用于發(fā)現(xiàn)工程機械各部件工作狀況的潛在關聯(lián)關系。這種潛在關系將為工程機械系統(tǒng)的故障預警和分析提供支持。
　　但是，由于工程機械時間序列具有維度高和數(shù)據(jù)量大的特點，使得傳統(tǒng)的Apriori關聯(lián)算法無法直接運用。因此，本文從實際的工程機械時間序列數(shù)據(jù)出發(fā)，針對工程機械時間

2、序列具體特點，提出一種適用于工程機械領域多維時間序列的關聯(lián)分析方法。
　　首先，本文設計了多維時間序列關聯(lián)分析系統(tǒng)的整體框架，該框架分為預處理模塊，離散化模塊和關聯(lián)規(guī)則提取模塊。預處理模塊負責數(shù)據(jù)清洗和規(guī)范化，實現(xiàn)每個時間序列的取值范圍的規(guī)范化，并使每個時間序列符合高斯分布。另外，離散化模塊對規(guī)范化的時間序列進行表示和離散化，也就是將數(shù)值型數(shù)據(jù)轉化成字符型數(shù)據(jù)。此外，關聯(lián)規(guī)則提取模塊利用改進的時間特性關聯(lián)方法從離散化的時間序列中提

3、取有效的關聯(lián)規(guī)則。
　　接著，本文詳細說明了離散化模塊所用到的技術。本文先對流行的PAA+SAX離散化方法進行評估，發(fā)現(xiàn)PAA+SAX離散化方法有不足之處。PAA表示方法會改變時間序列規(guī)范化的結果。并且PAA表示方法會忽略原始時間序列的關鍵信息。另外，SAX離散化方法只能表示時間序列的大小特性，并且SAX的前提是時間序列符合高斯分布。然而，本文的數(shù)據(jù)集大部分不是高斯分布。所以本文對SAX離散化方法進行改進，使其也可以處理非高斯分布

4、的時間序列。針對SAX不能保留原始時間序列關鍵信息的不足，本文推薦了變化特征離散化方法，它可以處理非高斯分布的時間序列并保留原始時間序列的關鍵信息。
　　最后，本文詳細闡述了關聯(lián)規(guī)則提取模塊所用到的時間特性關聯(lián)方法。該方法改進了傳統(tǒng)的Apriori算法。因為傳統(tǒng)的Apriori算法不考慮項的時間特性，所以需要改進候選項的生成算法，支持度的計算方法和關聯(lián)規(guī)則生成算法。使得改進的時間特性關聯(lián)方法不僅可以處理單重時間序列，還可以處理多重