数据挖掘在时间序列分析中的研究和应用

摘要

数据挖掘技术作为近年来迅速发展的时间序列分析方法之一，得到了越来越多的科学工作者的关注和研究。如何对海量的时间序列数据进行有效的知识发现，挖掘其内在的各种变化模式、并进行相似性搜索、关联规则发现等应用分析，已经成为了一个挑战性的、具有重要意义的理论和实际应用课题。 本文在分析时间序列特点和实际应用需求的基础上，针对时间序列挖掘的相似性查找和决策树生成模型进行了研究，具体所做的工作和创新成果体现在以下三个方面： 1)深入、系统的进行基础理论学习与分析。 本文在许多章节都安排了介绍性的基础理论，包括数据挖掘、时间序列、决策树方法和微粒群算法，并对它们进行了深入、系统的学习和分析，为后面的研究和创新工作做好铺垫。 2)时间序列相似性搜索的研究本文在第三章首先给出了用回归系数对时间序列进行维约简的方法，该方法利用时间序列的趋势性对原序列进行了简化，然后研究了用相关性分析来进行相似性搜索的可行性，最后进行了实证研究，实验结果表明用该方法对时间序列的趋势性进行相似性搜索具有很高的实际意义。 3)用微粒群算法改进生成决策树的模型研究本文在第四章提出了一种新型的用微粒群算法改进生成决策树的模型。该模型传承了经典的C4.5算法中使用信息增益率作为生成决策树的思想，结合改进的微粒群优化算法，将信息增益率、建树错误率整合在了一起，最后的实验结果说明本模型比较原有的C4.5算法在建树速度和精度上有一定的优势。

目录

文摘

英文文摘

独创性声明及学位论文版权使用授权书

第一章引言

1.1课题的研究背景和意义

1.2国内外研究现状综述

1.3本文的主要研究内容

1.4论文的结构

1.5本章小结

第二章数据挖掘的基本理论

2.1数据挖掘的定义和分类

2.2数据挖掘的方法和作用

2.2.1数据挖掘的方法

2.2.2数据挖掘的作用

2.3数据挖掘的实施步骤

2.4决策树算法概述

2.4.1 ID3算法

2.4.2 C4.5算法

2.5本章小结

第三章数理统计方法在时间序列挖掘中的应用

3.1时间序列的基本概念

3.2时间序列的传统分析方法

3.2.1基本分析和技术分析方法

3.2.2数理统计方法

3.3.3时间序列的数据挖掘方法

3.3数理统计方法与数据挖掘技术的结合

3.3.1利用分段回归对时间序列进行维简约

3.3.2对基于分段回归的维约简数据进行相似性查找

3.4实证研究

3.4.1获得初始数据

3.4.2对初始数据进行分段回归的维约简预处理

3.4.3构造相关性分析所需变量

3.4.4计算和检验

3.4.5结果分析

3.5本章小结

第四章改进的PSO算法生成决策树的模型研究

4.1标准PSO算法

4.2改进PSO算法

4.3改进PSO算法生成决策树的模型研究

4.3.1问题分析及准备工作

4.3.2生成决策树模型的建立与求解

4.4本章小结

第五章结论

5.1本文工作总结

5.2今后的工作

致谢

参考文献