時(shí)間序列數(shù)據(jù)挖掘中的維數(shù)約簡(jiǎn)與預(yù)測(cè)方法研究.pdf

1、時(shí)間序列數(shù)據(jù)是一種常見的數(shù)據(jù)形式，廣泛存在于各種現(xiàn)實(shí)應(yīng)用中。相應(yīng)地，利用數(shù)據(jù)挖掘技術(shù)從時(shí)間序列中發(fā)現(xiàn)其中蘊(yùn)含的信息和知識(shí)也成為了研究的熱點(diǎn)，其研究成果在金融、工業(yè)、農(nóng)業(yè)、醫(yī)藥、氣象、交通、計(jì)算機(jī)網(wǎng)絡(luò)等領(lǐng)域取得了成功的應(yīng)用。然而不同于傳統(tǒng)靜態(tài)數(shù)據(jù)，時(shí)間序列數(shù)據(jù)通常具有時(shí)序性、數(shù)量大、維數(shù)高、特征多等特性。因此，研究如何有效地通過時(shí)間序列數(shù)據(jù)挖掘技術(shù)來處理和分析時(shí)間序列數(shù)據(jù)具有重要的意義。
　　本文以時(shí)間序列數(shù)據(jù)為研究對(duì)象，針對(duì)時(shí)間序

2、列的高維特性，主要研究時(shí)間序列的維數(shù)約簡(jiǎn)技術(shù)，包括特征提取方法與特征表示方法。從時(shí)間序列的應(yīng)用角度出發(fā)，主要研究時(shí)間序列的預(yù)測(cè)方法，包括單變量時(shí)間序列的預(yù)測(cè)與多變量時(shí)間序列的預(yù)測(cè)。
　　時(shí)間序列的特征提取是通過選擇數(shù)量較少且反映原序列主要信息的特征子集實(shí)現(xiàn)維數(shù)約簡(jiǎn)的技術(shù)。針對(duì)時(shí)間序列的時(shí)序特性，本文提出了一種基于因果關(guān)系挖掘的多變量時(shí)間序列特征提取方法。該方法是一個(gè)二維的特征提取，即不僅提取出特征變量，也提取特征變量的有效滯后期。

3、同時(shí)，利用Granger因果關(guān)系挖掘的因變量及滯后期所組成的特征子集對(duì)結(jié)果也有較好的因果解釋性。
　　時(shí)間序列的特征表示是將高維的時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為低維表示并盡可能保留原始時(shí)間序列的特征信息。針對(duì)傳統(tǒng)符號(hào)表示方法中只根據(jù)均值特征描述原始時(shí)間序列可能造成信息丟失的不足，本文提出了基于趨勢(shì)距離的時(shí)間序列符號(hào)聚集近似表示方法，并構(gòu)造了滿足距離下界性的距離度量。首先提出了基于序列段起點(diǎn)值和終點(diǎn)值的趨勢(shì)距離度量方法來量化不同趨勢(shì)的差異，然后

4、把趨勢(shì)因素集成到原符號(hào)聚合近似表示方法中，實(shí)現(xiàn)利用均值特征和趨勢(shì)特征共同表示原始時(shí)間序列。
　　單變量時(shí)間序列預(yù)測(cè)是利用時(shí)間序列自身的歷史值來預(yù)測(cè)未來的數(shù)據(jù)。針對(duì)傳統(tǒng)的基于自回歸滑動(dòng)平均模型的預(yù)測(cè)模型建立后不能更新最新時(shí)間序列信息的不足，本文通過將自回歸滑動(dòng)平均模型的差分方程形式與傳遞形式結(jié)合，構(gòu)建了一種預(yù)測(cè)值實(shí)時(shí)自修正的預(yù)測(cè)模型。新的預(yù)測(cè)模型會(huì)包含新的觀測(cè)值的影響，從而提高預(yù)測(cè)的精度并減少運(yùn)算量。
　　多變量時(shí)間序列預(yù)測(cè)是