基于趋势和特征子序列的时间序列数据挖掘研究

发布时间：2021-03-12 02:51

　　在当今的万物互联的大数据时代下,人类活动的各行各业都会产生数据,随着科技一次又一次的革新和发展及随着时间的流逝,数据量正在极速增长中。这些数据广泛存在于商业、气象学、农业、生物科学以及生态学等方面。例如商业市场中我们观察每周的利润,月度价格指数,年度销售数量;气象学中观察每日高温和低温,年降水量和干旱指数以及每小时风速等。这些数据中包含着很多有用的信息,若能将其完整且细致的挖掘出来,将对人类社会做出极大的贡献。但是由于这些数据范围广、数据量大,导致原始序列具有数据维度高,干扰因素多以及实时更新动态变化等特性。这些特性直接导致从原始序列中直接进行知识挖掘成为了一项复杂度极高,准确度极低甚至不可取的工作。为了能解决这些特性带来的数据挖掘上的问题,我们需要对原始数据进行有效的预处理步骤。时间序列预处理步骤的关键部分就是时间序列的分段线性表示工作以及时间序列的相似性度量工作。故而,本文将对这两个方面的工作进行相应的研究,以期数据预处理工作能达到更好的效果。本文前两章综述了本文的研究背景及意义和研究现状。本文的主要研究创新点和相应的工作主要在三、四、五三章中,可以总结为以下几方面内容:（1）针对... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

本文结构图

数据挖掘过程

图2-2时间序列特征表示方法

【参考文献】：
期刊论文
[1]边缘计算应用:传感数据异常实时检测算法[J]. 张琪,胡宇鹏,嵇存,展鹏,李学庆.  计算机研究与发展. 2018(03)
[2]基于形态距离及自适应权重的相似性度量[J]. 曹洋洋,林意,王智博,鲍国强.  计算机应用研究. 2018(09)
[3]边缘计算:万物互联时代新型计算模型[J]. 施巍松,孙辉,曹杰,张权,刘伟.  计算机研究与发展. 2017(05)
[4]基于一阶滤波的时间序列分段线性表示方法[J]. 林意,王智博.  计算机工程. 2016(09)
[5]基于多尺度的时间序列固定分段数线性表示[J]. 林意,孔斌强.  计算机工程与应用. 2016(21)
[6]一种改进的窄带信号降噪算法及其应用[J]. 宋军,刘渝,王旭东.  振动与冲击. 2013(16)
[7]时间序列数据挖掘中特征表示与相似性度量研究综述[J]. 李海林,郭崇慧.  计算机应用研究. 2013(05)
[8]新颖的面向网络服务的动态信任模型[J]. 张晓琴,陈蜀宇.  重庆大学学报. 2013(04)
[9]基于弧度距离的时间序列相似度量[J]. 丁永伟,杨小虎,陈根才,Kavs A J.  电子与信息学报. 2011(01)
[10]基于时间序列趋势转折点的分段线性表示[J]. 尚福华,孙达辰.  计算机应用研究. 2010(06)

硕士论文
[1]时间序列数据挖掘研究[D]. 任芳.辽宁师范大学 2010



本文编号：3077550