時間序列挖掘和相似性查找技術的研究.pdf

1、時間序列(TimeSeries)是一種重要的數據對象，在現實生活中的許多領域中都廣泛存在，如股票價格，商品銷售數據，氣象數據等等。隨著時間推移，這類數據的存儲規(guī)模呈現爆炸式地增長。因此，對這些海量的時序數據如何進行有效的知識發(fā)現，挖掘其內在的各種變化模式；對于用戶給定具有各種抽象含義的變化模式，如何在海量時間序列庫中進行相似性的檢索等應用分析，是一個挑戰(zhàn)性的、具有重要意義的理論和實際應用課題，對于我們正確認識事物變化，科學進行決策，識別

2、各種異常行為等具有重要的指導意義。本文在分析時間序列特點和實際應用需求的基礎上，針對時間序列的挖掘與相似性查找一些關鍵技術進行了研究，具體包括特征模式挖掘、多序列關聯(lián)模式挖掘、相似性模式查找等方面，所做的工作和取得的創(chuàng)新成果體現在以下三個方面： 1）時間序列特征模式挖掘研究首次提出了一種基于互關聯(lián)后繼樹模型的時序特征模式挖掘方法。不同于傳統(tǒng)處理模式，該方法在序列分段上，采用了一種新穎的、基于重要點的時間序列線段化算法；再符號化過

3、程中，采用基于相對斜率的局部符號化方法。既減少計算復雜度，又避免了噪聲的影響。在挖掘算法實現上，根據序列特征模式的有序性和重復性，提出了一種無須生成大量的候選模式集的互關聯(lián)后繼樹挖掘算法，極大地提高了挖掘效率。實驗結果表明，挖掘結果不僅是一種圖形化的描述，而且還具有明確的實際含義，大大有利于在實際中的應用。 2）多時間序列間關聯(lián)模式挖掘研究針對更有分析價值的多序列關聯(lián)模式，進一步提出一種新穎的關聯(lián)模式挖掘方法。該方法利用Alle

4、n區(qū)間邏輯關系來描述時間序列模式的關聯(lián)關系，避免了傳統(tǒng)方法在關聯(lián)關系描述的上非同步性；然后通過時間觀測窗口，來構造出一種包含并行模式和串行模式的特殊形式模式序列；最后，在此基礎上構造一種廣義的互關聯(lián)后繼樹模型，然后用前面挖掘思路實現關聯(lián)模式的挖掘。實驗結果顯示，該新方法比傳統(tǒng)的Apriori算法具有更好的挖掘效率和挖掘效果。 3）時間序列相似性查找研究分析比較了根據時間序列與全文序列的異同，采用了全文索引技術，首次提出了一種基于