时间序列的模式检测

发布时间：2017-05-15 23:02

  本文关键词：时间序列的模式检测，由笔耕文化传播整理发布。

【摘要】：时间序列是按时间顺序采集的一系列观测值。它具有高维性和动态性,是数据挖掘领域最具挑战性的十大研究方向之一。模式表示和相似度度量是时间序列的两个重点研究方向,并且经常被放在一起研究。前者有助于降低时间序列的维度,消除时间序列中的噪音,以及保留时间序列的基本特性。后者是模式匹配的基础,有助于对时间序列进行挖掘。在本文中,我们在时间域和空间域,对时间序列进行了研究,并基于时间序列的规模(时间尺度),提出了两种时间序列表示方法：预定义模式检测方法和基线检测方法。预定义模式检测方法能够从时间序列中高效地检测出和预定义模式相匹配的实例,即使实例存在时间上弯曲或振幅上的形变。该方法借助模版(预定义模式)和地标(重要点)对时间序列进行压缩表示,并结合地标约束和可信区间来模拟和检测时间序列中的实例。.该方法还引入了最小描述长度,对时间序列进行预处理。最小描述长度不但有助于保留时间序列中的有用信息,而且还可以防止过度拟合。基线可以被看作时间序列的一个大规模的组成成分。获取和校正基线有助于我们更好地理解和关注时间序列的趋势和模式。基于概率密度分布,我们提出了一种新的基线检测方法,最多穿越法。该方法是一种分段线性方法。和其他分段线性方法不同的是：该方法借助概率密度分布的差异来对时间序列中的点进行区别对待。即使在信噪比较高的环境中,该方法依然能够保持优越的性能。在预定义模式和基线检测方法中,都会涉及到参数的选择,如滑动窗口的大小、异常斜率的阈值、平滑度和相似度的阈值等。在设定这些参数时,我们结合了最小描述长度和概率密度分布的原理,让这些方法能够自动根据具体的时间序列来设定,从而避免了因人为设定而造成的误差。本论文研究的实体是实时的时间序列,来自于安装在高速桥梁上的一个传感器网络。该传感器网络由三种不同类型的传感器组成,采集的数据也具有不同的表现形式。我们根据传感器的属性,在不同规模上对它们的时间序列进行变换和模拟,从而来探测不同类传感器间的依赖关系(相关性)。最后,我们结合传感器的其他物理属性,如位置和安装方式,对获得的依赖关系进行二次学习,得出了一些有用的规则。这些规则息有助于今后高效、低成本地设计结构健康监测传感器系统。
【关键词】：时间序列 模式表示、相似度度量 基线 预定义模式 最小描述长度 概率密度函数
【学位授予单位】：兰州大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP311.13
【目录】：

• 中文摘要3-5
• Abstract5-11
• 第1章 绪论11-16
• 1.1 研究背景11
• 1.2 研究目的和范围11-12
• 1.3 相关文献综述12-13
• 1.4 主要工作和贡献13-14
• 1.5 论文结构14-16
• 第2章 相关理论、方法和预备知识16-23
• 2.1 傅立叶变换16-18
• 2.2 卷积18-20
• 2.3 相似度度量20-23
• 第3章 预定义模式的检测23-43
• 3.1 背景介绍23-24
• 3.2 定义和概念24-27
• 3.2.1 地标提取25-26
• 3.2.2 预定义模式检测26-27
• 3.3 地标约束27-28
• 3.4 平滑度的选择28-31
• 3.4.1 最小描述长度28-30
• 3.4.1.1 模型编码29-30
• 3.4.1.2 剩余数据编码30
• 3.4.2. 平滑度的选择30-31
• 3.5 实例模型31-35
• 3.5.1 可信区间32-35
• 3.5.2 模型评估35
• 3.5.3 复杂度分析35
• 3.6 实验验证35-41
• 3.6.1 交通数据36-39
• 3.6.2 ECG时间序列39-41
• 3.7 相关文献41-42
• 3.8 本章小结42-43
• 第4章 基线检测43-56
• 4.1 背景介绍43-45
• 4.2 最多穿越法45-50
• 4.2.1 基线识别45-47
• 4.2.2 基线建模47
• 4.2.3 基线更正47-49
• 4.2.4 基线消除49-50
• 4.3 实验评估50-54
• 4.3.1 小规模数据基线51-52
• 4.3.2 大规模数据基线52-54
• 4.4 本章小结54-56
• 第5章 时间序列的依赖分析56-69
• 5.1 研究背景56-57
• 5.2 传感器网络概述57-60
• 5.2.1 传感器网络的布局和构成57-58
• 5.2.2 各种传感器的侧重点58-60
• 5.2.2.1 短时间侧重点58-60
• 5.2.2.2 长时间侧重点60
• 5.3 应变和温度时间序列的依赖分析60-63
• 5.4 应变和振动时间序列的依赖分析63-66
• 5.5 传感器属性分析66-68
• 5.6 本章小结68-69
• 第6章 总结69-72
• 6.1 本文的工作总结69-70
• 6.2 讨论70
• 6.3 下一步工作展望70-72
• 参考文献72-80
• 在学期间的研究成果80-82
• 致谢82

【相似文献】

中国期刊全文数据库 前10条

1 左爱文;郭宏武;王保保;;气象时间序列规则发现及其应用[J];陕西气象;2006年06期

2 刘猛洪;汪爱丽;;基于模糊时间序列的短期电力负荷预测[J];电子世界;2013年07期

3 K.D.C.Stoodley,卢润德;非连续含有准周期分量时间序列的实时监测(英文)[J];控制理论与应用;1986年01期

4 吴红花;刘国华;;不确定时间序列的规约方法[J];计算机工程;2012年21期

5 W.Gersch;黄劲涛;;混合自回归动平均时间序列的自回归参数估计[J];水声译丛;1980年03期

6 王立柱;刘晓东;;Granger相关性与时间序列预测[J];控制与决策;2014年04期

7 周巧临;傅彦;;科学数据时间序列的预测方法[J];电子科技大学学报;2007年06期

8 王阅;高学东;;基于重标级差分析的时间序列分割方法[J];计算机工程与应用;2008年29期

9 修春波;;时间序列一步预测方法[J];计算机应用研究;2010年04期

10 冯凯文;孟凡荣;牛强;闫秋艳;;基于趋势点状态模型的时间序列预测算法[J];计算机应用研究;2011年12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 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

5 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

6 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

7 张勇;时间序列模式匹配技术研究[D];华中科技大学;2012年

8 董晓莉;时间序列数据挖掘相似性度量和周期模式挖掘研究[D];天津大学;2007年

9 姜向荣;短时间序列预测建模及应用研究[D];北京邮电大学;2009年

10 许娜;时间序列的分形及其混沌分析[D];北京交通大学;2011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

  本文关键词：时间序列的模式检测，由笔耕文化传播整理发布。

，

本文编号：369067