时间序列数据挖掘中相似性和趋势预测的研究

发布时间：2020-12-05 01:14

　　时间序列存在于社会的各个领域，对于时间序列数据挖掘的研究目前主要集中在相似性搜索和模式挖掘上。在相似性搜索研究中存在的主要问题是时间序列数据量过大，一个有效的解决办法是对时间序列进行重新描述，减小数据量。在模式挖掘方面，趋势预测是一个比较新的思路，它从时间序列数据中抽取决定时间序列的行为发展趋势的静态属性，组成静态数据库，然后将泛化性能较强的分类技术应用于静态数据库中挖掘分类规则，对行为发展趋势做出预测。相似性研究中有效的数据描述是提高相似性搜索效率的关键，本文第二章提出了一种结构自适应的时间序列分段线性化表示方法，该方法可以自动地产生线性化的段数K。大大压缩了相似性的计算量。同时在分段线性化表示的基础上提出了一种相似性计算方法，该方法对于时间序列的多种变形都不敏感。本文拟从时间序列数据库中挖掘到表征时间序列发展趋势的分类规则，首先必须对时间序列进行静态模式的抽取，得到分类属性。本文就此在第三章深入阐述了静态模式的抽取方法。以股票为主要的时间序列研究对象，抽取的静态模式往往含有较多的干扰，因此需要分类工具必须有较强的泛化性能，为了解决这一问题在第四章采用正则最小二乘学习算法训练的前馈神... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：114 页

【学位级别】：博士

【部分图文】：

A图为欧氏测量方法B图为DTW测量方法

图 1-3 扭曲路径的例子列的重新描述上文提到的哪种测量方法，当时间序列的数据量题，虽然相关性有一定的解决办法，但是它也是之后再处理，因此也是一种时间序列的重新描述又不会丢失原有的信息，人们提出了几种时间法列的信号往往是由各种不同频率的信号叠加而序列的分析将是有效的，即将时域内的数据转换间序列的相似性，将保持数据间欧几里德距离不数据变换是必要的。通常，使用独立于数据的变与输入数据无关。其中两个常见的独立于数据的波变换(DWT)。由于在时域中两个时间序列的


本文编号：2898595