基于LB-Hust距离的时间序列数据聚类

摘要

时间序列数据分布广泛,长期以来,不同领域时间序列数据大量积累,对时间序列的数据挖掘逐渐得到关注。本文以公共的股票数据组成的时间序列数据作为研究对象,将时间序列数据的聚类作为研究目的,通过在股票数据上进行聚类,对时间序列趋势相似度的表征进一步分析和研究。
　　 本文针对时间序列数据基于趋势相似性的聚类,以原始LB Hust距离作为时间序列相似度计算方法基础,对改原始距离计算方法进行正负分割,使其适用于时间序列趋势的相似度区分。在改进的相似度计算方法上,实现层次聚类算法,通过改进,对实现中的时间复杂度进行降低。最后,将时间序列数据聚类应用于股票数据,实现对不同股票进行基于趋势相似的聚类,通过股票的聚类分析控股公司运作上的相似性,对长期投资者提供参考。
　　 实验证明,改进的LB Hust距离计算方式能够较好的度量时间序列的趋势相似性,扩展了原始LB Hust距离计算方式的应用范围。

目录

文摘

英文文摘

第一章 绪论

1.1 时间序列数据挖掘综述

1.1.1 时间序列数据概念

1.1.2 时间序列数据挖掘任务

1.2 时间序列数据聚类的背景和意义

1.3 研究内容

1.4 文章结构

第二章 时间序列聚类基础

2.1 聚类分析

2.1.1 聚类算法研究现状

2.1.2 聚类算法步骤

2.2 时间序列数据的聚类

2.2.1 时间序列数据的定义和特点

2.2.2 时间序列的相似性度量

2.2.3 时间序列距离计算

2.2.4 时间序列聚类算法

第三章 基于LB Hust距离的时间序列聚类设计

3.1 时间序列的表示

3.2 时间序列距离计算

3.3 LB Hust距离下的相似性比较

3.3.1 DTW定义

3.3.2 DTW特点和复杂度分析

3.3.3 基于DTW思想的距离计算方法

3.3.4 LB Hust距离计算方法

3.4 基于LB Hust距离的层次聚类

3.4.1 算法流程

3.4.2 基于LB Hust距离矩阵的层次聚类

3.4.3 算法性能分析和改进

3.4.4 算法效果分析和改进

第四章 股票时间序列数据聚类

4.1 任务描述

4.2 数据准备

4.2.1 股票数据空值的处理

4.2.2 股票数据的归一化

4.3 股票数据聚类

4.4 效果分析和评估

4.4.1 LB Hust两种距离下的效果分析

4.4.2 最大允许簇数的选择

第五章 总结和展望

参考文献

发表论文和参加科研情况说明

致谢