本站原创
摘要：现在时间序列的数据存储规模正呈现爆炸式的增加，由此，对这类海量的时序数据如何进行有效的知识发现，挖掘其潜在的各种变化方式；以及对于给定的具有抽象含义的变化方式，如何在海量时间序列库中进行方式查找等运用浅析，这是一个具有较大挑战性的并在实际运用中具有重要作用的工作，本论文通过在股票市场序列数据挖掘形态特点方式的实验来验证了以下时间序列挖掘中涉及到的的三个方面的内容：一是重点探讨时间序列的表示策略：定义时间序列基本走势的自然分割点为重要点，对时间序列进行分段，压缩后的时间序列不仅有效地继承了原始时间序列的有效信息，而且相对于经典的回归浅析，更适用于数据存储量大、走势特点显著的时间序列，提供了更为详细的走势表示策略，而且模拟精度高。二是提出基于分段线性化和符号化后的相似性度量策略：以已有的时间序列相似性度量策略出发，变换原有的方式，达到更精确和更简便的目的。三是对时间序列特点方式的提取进行探讨：采取了基于重要点的分段线性化算法，运用一种改善的基于互关联后继树模型的时序特点方式挖掘策略。该策略不同于传统处理方式，在序列分段上，采取基于重要点的时间序列线段化算法；在符号化历程中，采取了基于相对斜率和带时间标记的局部符号化策略。既减少了计算复杂度，又避开了噪声的影响。在挖掘算法实现上，根据序列形态特点方式的有序性和重复性，提出了一种无须生成大量的候选方式集的互关联后继树挖掘算法。算法挖掘的结果不仅是一种图形化的描述，而且还具有明确的实际含义，有利于在实际中的运用。关键词：时间序列论文方式挖掘论文分段线性化论文相似性度量论文
摘要5-6
Abstract6-9
插图索引9-10
插表索引10-11
第1章 绪论11-20
1.1 探讨背景及作用11-12
1.2 探讨近况综述12-18
1.2.1 传统的时间序列的浅析12-14
1.2.2 挖掘算法探讨14-16
1.2.3 时间序列挖掘16-17
1.2.4 相似性相关探讨17-18
1.3 本论文的探讨内容18-20
第2章 时间序列的表示策略20-33
2.1 时间序列的一般表示策略20-22
2.1.1 DFT 表示法20-21
2.1.2 SVD 表示法21-22
2.2 分段线性化的时间序列表示法22-31
2.2.1 基于分段点的分段线性化策略23-24
2.2.2 基于分段重要点的相关概述24-26
2.2.3 基于分段线性化的符号化表示策略26-28
2.2.4 分段线性化的的算法实现28-31
2.3 实验31-32
2.4 小结32-33
第3章 时间序列的相似性探讨33-42
3.1 相似性概念33-34
3.2 相似性度量策略34-38
3.2.1 影响时间序列相似性度量的因素34-35
3.2.2 基本的时间序列相似性度量策略35-38
3.3 基于线性化后的时间序列相似性度量策略38-39
3.4 实验39-41
3.5 小结41-42
第4章 时间序列的特点方式的挖掘42-53
4.1 时间序列特点方式的相关概念42-43
4.2 传统的时间序列方式挖掘43-44
4.3 基于互关联后继树的特点方式挖掘44-50
4.3.1 互关联后继树模型44-46
4.3.2 一种基于时间序列的 IRST 模型46-48
4.3.3 基于互关联后继树的方式发现算法48-50
4.4 实验50-52
4.5 小结52-53
结论53-55