时间序列的特征表示与聚类方法研究

发布时间：2017-08-20 06:11

  本文关键词：时间序列的特征表示与聚类方法研究

  更多相关文章： 时间序列 时间序列特征表示 密度聚类 潜在模式分离

【摘要】：时间序列数据是一种常见的数据形式,在各个领域中都有着广泛的应用。因此,对挖掘时间序列内含的信息与知识是数据挖掘的一个重要研究方向。而传统的数据挖掘方法通常针对的是静态数据,而时间序列数据通常是动态的、数据量大的数据。传统的数据挖掘方法并不能有效地挖掘其中的信息。如何更好地处理和挖掘时间序列数据具有十分重大的意义。时间序列的潜在模式挖掘是对没有先验知识的时间序列发掘其内在联系。由于时间序列的数据量大,要挖掘其潜在模式,首先要通过时间序列特征表示对其进行降维,然后在采用无监督的聚类算法将内在联系紧密的时间序列聚合为一类,最终得到的聚类结果可认为是其潜在模式。本文针对时间序列挖掘潜在模式困难的问题,分析了通过时间序列特征表示和聚类方法实现潜在模式分离的可行性。并针对数值型时间序列分析了目前已有的适用于该类数据的时间序列特征表示方法及聚类算法。已有的时间序列特征表示法对时间序列进行降维的同时,其特征表示缺不能很好地保留原时间序列的特征,这会对后续的聚类分析造成影响。因此本文通过将离散傅里叶变换与分段思想相结合,提出分段离散傅里叶变换的时间序列特征表示法,有效对时间序列降维的同时能尽可能地保留其原序列的特征。在没有任何关于数据的先验知识的情况下,聚类分析能解决大量数据的分类问题,挖掘其内在联系。因此,可采用聚类方法挖掘其潜在模式。其中DENCLUE算法是一种优秀的解决变密度任意形状分布数据的聚类算法,具有很好的普适性。但是,由于DENCLUE算法存在人为设定的参数多,参数间相互制约使得参数设定调试困难,计算复杂度高等的问题,使其应用于时间序列模式分离的效率和性能不佳。为了改善这一问题,使DENCLUE算法能更好地挖掘时间序列的潜在模式,引入聚类评估的簇内点数估计方法,提出一种规避噪声阈值设定的DENCLUE算法。该方法减少了人为设定参数的数量,降低计算复杂度,此外,其得到的簇的紧凑度更佳,能够较好的识别数据中的噪声点,聚类结果更能反映真实数据分布情况,对于DENCLUE方法的适用性以及性能均得到有益的提升。本文将提出的分段离散傅里叶变换和规避噪声阈值设定的DENCLUE算法应用于某航天发射场的管道温度监测的间序列数据,寻找其潜在模式。并通过基于动态时间弯曲距离的轮廓系数验证发掘的模式是否满足同一模式的时间序列有较高的相似度,不同模式的时间序列相似度较低,以此标准来判断得到的潜在模式是否符合实际情况。
【关键词】：时间序列 时间序列特征表示 密度聚类 潜在模式分离
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.13;O211.61
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 1 绪论9-17
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状10-15
• 1.2.1 时间序列特征表示的国内外研究现状10-12
• 1.2.2 时间序列聚类算法的国内外研究现状12-15
• 1.3 本论文主要内容及结构安排15-17
• 2 时间序列特征表示与时间序列聚类问题分析17-23
• 2.1 时间序列模式发现存在的问题17-19
• 2.2 时间序列特征表示方法的问题分析19-20
• 2.2.1 离散傅里叶变换19
• 2.2.2 分段线性近似19-20
• 2.2.3 分段聚合近似20
• 2.3 聚类问题分析20-22
• 2.4 本章小结22-23
• 3 分段离散傅里叶变换的时间序列特征表示23-31
• 3.1 引言23
• 3.2 分段离散傅里叶变换23-27
• 3.2.1 基本理论23-24
• 3.2.2 三种时间序列特征表示法的存在的问题24-25
• 3.2.3 分段离散傅里叶变换25-27
• 3.3 实验与分析27-30
• 3.4 本章小结30-31
• 4 基于时间序列聚类的模式分类方法31-43
• 4.1 引言31
• 4.2 DENCLUE算法分析31-34
• 4.2.1 基本理论31-32
• 4.2.2 DENCLUE算法用于时间序列潜在模式发现存在的问题32-34
• 4.3 规避噪声阈值设定的DENCLUE算法34-38
• 4.4 实验与讨论38-42
• 4.5 本章小结42-43
• 5 时间序列潜在模式分离应用43-54
• 5.1 引言43
• 5.2 管道温度时间序列的数据特性43-44
• 5.3 管道温度时间序列特征表示44-47
• 5.4 通过聚类实现管道温度时间序列数据潜在模式分离47-53
• 5.5 本章小结53-54
• 6 总结与展望54-56
• 6.1 研究工作总结54-55
• 6.2 未来研究工作展望55-56
• 致谢56-57
• 参考文献57-62
• 附录62
• A. 攻读硕士学位期间发表的学术论文62
• B. 攻读硕士学位期间参与的项目62

【相似文献】

中国期刊全文数据库 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 冯希杰;长江三峡及其邻区断裂活动时间序列[J];华南地震;1991年02期

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

中国重要会议论文全文数据库 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 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 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

4 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

5 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

6 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

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 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

中国重要报纸全文数据库 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

中国博士学位论文全文数据库 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 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

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年

7 原继东;时间序列分类算法研究[D];北京交通大学;2016年

8 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

9 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

10 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

中国硕士学位论文全文数据库 前10条

1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年

2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年

3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年

4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

6 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

7 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

8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年

10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年

，

本文编号：704981