基于时间序列符号化模式表征的有向加权复杂网络

发布时间：2018-08-24 10:32

【摘要】：时间序列复杂网络分析近些年已发展成为非线性信号分析领域的一个国际热点课题.为了能更有效地挖掘时间序列(特别是非线性时间序列)中的结构特征,同时简化时间序列分析的复杂度,提出了一种新的基于时间序列符号化结合滑窗技术模式表征的有向加权复杂网络建网方法.该方法首先按照等概率区段划分的方式将时间序列做符号化处理,结合滑窗技术确定不同时刻的符号化模式作为网络的节点;然后将待分析时间序列符号化模式的转换频次和方向作为网络连边的权重和方向,从而建立时间序列有向加权复杂网络.通过对Logistic系统不同参数设置对应的时间序列复杂网络建网测试结果表明,相比经典的可视图建网方法,本文方法的网络拓扑能更简洁、直观地展示时间序列的结构特征.进而,将本文方法应用于规则排列采集的自然风场信号分析,其网络特性指标能较准确地预测采集信号的排布规律,而可视图建网方法的网络特性指标没有任何规律性的结果.
[Abstract]:In recent years, time series complex network analysis has become an international hot topic in the field of nonlinear signal analysis. In order to more effectively mine the structural features in time series (especially nonlinear time series) and simplify the complexity of time series analysis, In this paper, a new method based on time series symbolization combined with sliding window technique is proposed to construct a directed weighted complex network. In this method, the time series are symbolized according to the equal probability section, and the symbolization mode at different times is determined by the sliding window technology as the node of the network. Then, the transformation frequency and direction of the symbolic pattern of the time series to be analyzed are taken as the weights and directions of the connected edges of the network, and then the directed weighted complex network of the time series is established. The test results of complex network with time series corresponding to different parameters of Logistic system show that compared with the classical visual graph method, the network topology of this method can be more concise and intuitively show the structural characteristics of the time series. Furthermore, this method is applied to the analysis of the natural wind field signals collected by regular arrangement. The network characteristic index can accurately predict the distribution of the collected signals, but the network characteristic index of the visual graph network building method has no regular results.
【作者单位】： 天津大学电气自动化与信息工程学院机器人与自主系统研究所天津市过程检测与控制重点实验室;
【基金】：国家自然科学基金(批准号:61271321,61573253)资助的课题~~
【分类号】：O157.5

【相似文献】

相关期刊论文 前10条

1 施久玉,杜金观;有限个状态时间序列的某些结果[J];应用数学学报;1990年01期

2 王霞,郭嗣琮,刘淑娟;时间序列模糊滑动预测[J];辽宁工程技术大学学报(自然科学版);1999年03期

3 温品人;时间序列预测法的实际应用分析[J];江苏广播电视大学学报;2001年06期

4 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

5 程毛林;时间序列系统建模预测的一种新方法[J];数学的实践与认识;2004年08期

6 高洁;长记忆时间序列适应性预测的应用[J];江南大学学报;2004年05期

7 高洁;孙立新;;长记忆时间序列的适应性预测误差的谱密度[J];统计与决策;2006年13期

8 杨钟瑾;;浅谈时间序列的分析预测[J];中国科技信息;2006年14期

9 李健;孙广中;许胤龙;;基于时间序列的预测模型应用与异常检测[J];计算机辅助工程;2006年02期

10 耿显民;;价格时间序列及其应用(英文)[J];数学季刊;2008年01期

相关会议论文 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

3 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

4 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

5 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

6 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

7 刘琼;任福继;;股市预测算法及分析结果的自然语言生成[A];科技、工程与经济社会协调发展——中国科协第五届青年学术年会论文集[C];2004年

8 蒋斌松;韩立军;贺永年;;时间序列Lyapunov指数的估算及预测[A];矿山建设工程新进展——2005全国矿山建设学术会议文集（下册）[C];2005年

9 王会琦;马洪;周永道;;基于信息融合的时间序列RAKE预测[A];全国第十届企业信息化与工业工程学术年会论文集[C];2006年

10 卢世坤;李夕海;牛超;;基于AR模型-互信息量的时间序列非线性度量[A];国家安全地球物理丛书（九）——防灾减灾与国家安全[C];2013年

相关博士学位论文 前10条

1 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

2 原继东;时间序列分类算法研究[D];北京交通大学;2016年

3 卢伟;基于粒计算的时间序列分析与建模方法研究[D];大连理工大学;2015年

4 胡建明;基于正则化核学习模型的时间序列多步预测的研究与应用[D];兰州大学;2016年

5 黄标兵;回声状态网络时间序列预测方法及应用研究[D];吉林大学;2017年

6 刘文;海量时间序列数据处理的关键技术研究[D];大连理工大学;2017年

7 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

8 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

9 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年

10 张勇;时间序列模式匹配技术研究[D];华中科技大学;2012年

相关硕士学位论文 前10条

1 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年

2 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

3 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

4 郭力萌;基于统计信号处理的时间序列预测模型选择方法研究[D];哈尔滨工业大学;2015年

5 刘鑫;基于复杂网络理论的心电时间序列自回归模型研究[D];复旦大学;2014年

6 夏斐;基于动态规划和DTW匹配的时间序列索引方法研究[D];大连理工大学;2015年

7 王维;基于传统模型与数据挖掘法对长记忆时序的研究[D];南京大学;2014年

8 张宁;离散值时间序列的统计分析[D];南京大学;2015年

9 赵银玲;复杂网络到时间序列转换过程中矩阵特性的研究[D];哈尔滨工业大学;2014年

10 刘天慧;基于智能算法的时间序列预测方法研究[D];青岛理工大学;2015年

，

本文编号：2200539