时间序列特征表示与聚类算法研究

发布时间：2023-04-01 13:35

　　随着大数据技术的发展,数据挖掘技术在时间序列中的应用受到了越来越多的关注。时间序列特征表示将时间序列从高维空间转化到低维空间,有效地解决了“维灾难”问题,且降维后的表示序列可以更好地运用到分类、聚类等挖掘任务中。时间序列聚类是时间序列数据挖掘中比较重要的任务之一,采用无监督的时间序列聚类算法可以使内部更为相似的时间序列聚为一类。本文以时间序列为研究对象,探讨其特征表示与聚类算法。首先,采用特征表示方法对时间序列进行降维;然后,采用聚类算法挖掘时间序列中潜在的分类信息;最后,将特征表示方法和聚类算法应用于音乐领域,通过对音乐时间序列数据的分析,挖掘音乐流行趋势。具体工作如下:(1)针对符号聚合近似表示方法(SAX)没有考虑序列段内部的形态趋势和其距离度量在各序列段表示符号一致时无法度量的问题,提出基于始末距离的时间序列符号聚合近似表示方法(SAX_SM)。首先,SAX_SM方法使用各序列段的形态特征和符号特征共同描述低维序列,实现有效降维。其次,SAX_SM方法使用各序列段的形态特征构建始末距离,并结合符号距离定义一种新的距离度...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 时间序列特征表示
        1.2.2 时间序列聚类算法
        1.2.3 音乐数据挖掘
    1.3 研究内容及论文结构
        1.3.1 研究内容
        1.3.2 论文结构
第二章 时间序列数据的特征表示与聚类相关研究基础
    2.1 时间序列
        2.1.1 时间序列概念
        2.1.2 时间序列度量方法
        2.1.3 时间序列挖掘问题分析
    2.2 时间序列特征表示
        2.2.1 分段聚合近似表示方法
        2.2.2 符号聚合近似表示方法
    2.3 时间序列聚类
        2.3.1 K-Means聚类算法
        2.3.2 时间序列聚类问题分析
    2.4 本章小结
第三章 基于始末距离的时间序列符号聚合近似表示
    3.1 时间序列近似表示方法SAX_SM
        3.1.1 近似表示
        3.1.2 距离度量
        3.1.3 距离度量下界性证明
    3.2 数值实验
        3.2.1 实验环境和实验数据
        3.2.2 分类准确率
        3.2.3 算法运行时间
    3.3 本章小结
第四章 基于内部簇心调整的时间序列聚类
    4.1 时间序列聚类算法K-Center
        4.1.1 内部簇心调整
        4.1.2 K-Center算法
        4.1.3 时间复杂度分析
    4.2 数值实验
        4.2.1 实验环境和实验数据
        4.2.2 实验结果分析
    4.3 本章小结
第五章 SAX_SM方法及K-Center算法在音乐数据中的应用
    5.1 音乐时间序列的背景介绍
    5.2 音乐时间序列的分析预测
        5.2.1 近似表示
        5.2.2 聚类分析
        5.2.3 流行度预测
    5.3 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 研究展望
参考文献
致谢
硕士期间研究成果



本文编号：3777235