时序数据维归约方法的研究

摘要

时间序列是一类重要的数据类型，广泛存在于金融、事务处理和科学研究等领域中。时间序列挖掘通过对过去历史行为的客观记录分析，提取人们事先不知道的，但又是潜在有用的与时间属性相关的信息和知识，从而揭示其内在的数据生成机制，进而发现和预测未来行为模式。 本文系统地介绍了时间序列挖掘技术，包括时间序列的数据清理、分割、表示和相似性度量等技术。论文研究了时间序列的分段表示方法，主要的研究工作及成果如下： 1.由于原始时间序列具有高维性、类型复杂和富含噪声的特点，直接在时间序列上执行数据挖掘任务，往往导致算法效率低下和挖掘结果不可靠。时间序列的维归约是一种对时间序列进行特征抽象和概括的表示方法，是对时间序列在更高层次上的重新描述。论文在分析了经典的自顶向下、自底向上和滑动窗口算法的基础上，针对滑动窗口算法出现的“过拟合”的分段，通过检测前后两个分段趋势的相近程度，对趋势相近的分段进行合并，从而有效地避免了尖峰形态数据的影响；针对“欠拟合”的分段，采用了一种新的度量方法，对“欠拟合”的分段进行适当分割，从而得到更好的表示效果。实验表明：以上两种改进策略效果明显。 2.目前大量的信息系统都是实时地产生数据，这样的数据类型称作“数据流”，具有如下两个特点：①系统源源不断地产生大量的细节数据；②需要实时地对新产生的数据进行分析。针对数据流上的应用，本文提出了一种适合在线分割的时间序列表示算法-RSW算法，该算法基于滑动窗口算法框架，应用了文中提出的两种改进策略，实验结果表明：RSW是一种适合在线分割的时间序列表示算法，具有线性复杂度和拟合误差小的特点。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景和意义

1.2主要工作及创新

1.3本文组织结构

第二章时间序列挖掘问题综述

2.1研究背景

2.2时间序列挖掘技术概述

2.3时间序列的数据清理

2.4时间序列数据的表示

2.5时间序列的相似性度量

2.6时间序列的预测

第三章时间序列数据的维归约

3.1引言

3.2相关研究工作

3.3 PLR模型和误差度量方法

3.3.1 PLR模型

3.3.2误差度量方法

3.4时间序列分段算法

3.4.1 Sliding Window算法

3.4.2 Top Down算法

3.4.3 Bottom Up算法

3.5 Sliding Window算法的缺点和改进方法

第四章时间序列的在线归约

4.1引言

4.2相关研究工作

4.3基于Sliding Window的时间序列在线分割改进算法RSW

4.4仿真实验

第五章总结与展望

5.1总结

5.2下一步研究工作的展望

参考文献

在校期间参与项目和发表论文情况

致谢