基于动态链表结构的时间序列异步周期模式挖掘研究

摘要

时间序列中普遍存在着周期性的行为,从时间序列数据库中提取出周期性规则,即周期模式挖掘在时间序列数据挖掘中具有很重要的地位,异步周期模式挖掘作为时间序列周期模式挖掘的一个分支,是时间序列数据挖掘的前沿领域,具有重要的理论研究价值和现实应用意义。当前的时间序列周期模式挖掘研究,主要集中在了同步周期模式挖掘。然而,当时间序列中存在一些噪声,或者出现一些数据集缺失,或者是特定的数据集插入,使得周期模式发生错位时,现有的同步周期模式挖掘算法很难找到时间序列中隐藏的周期模式。在金融、交通、电力和生物信息等时间序列数据库中,异步周期模式是广泛存在的。目前对其研究的人还很少,因此本文选择时间序列异步周期模式挖掘作为主要研究对象。
　　 本文首先对时间序列数据挖掘及周期模式挖掘进行评述,重点综述了时间序列异步周期模式挖掘的研究进展,之后,详细介绍了异步周期模式挖掘的基本定义,当前异步周期模式挖掘的四个相关算法:两阶段算法、SMCA算法、OMMA算法和E-MAP算法,这些内容是本为的研究基础,贯穿于时间序列周期模式挖掘算法研究的全过程。
　　 本文重点对当前异步周期模式挖掘的四种典型算法进行比较,主要从挖掘对象、片段终止位置定义、挖掘过程、扫描时间序列数据库次数、时间复杂度和空间复杂度等多个方面,分析比较各算法的优点和不足,从中发现异步周期模式挖掘的改进方向。考虑到大部分时间序列的不可回溯性,本为创新的提出了一种基于动态链表结构的异步周期模式挖掘算法,它使用链表结构,有效地节省了存储空间,并且只需对时间序列数据库扫描一次便可得到用户所需的复杂模式,无需经过生成单事件一模式和多事件一模式这两个阶段,最后采用人工数据和实际的基因序列数据进行仿真,实验结果表明了本文所提算法的有效性。

目录

文摘

英文文摘

第一章 绪论

1.1 选题背景及研究意义

1.2 时间序列数据挖掘主要研究内容

1.2.1 重新描述

1.2.2 相似性度量

1.2.3 分类和聚类

1.2.4 序列模式挖掘

1.3 时间序列周期模式挖掘综述

1.3.1 基于模式覆盖范围分类

1.3.2 基于模式置信度分类

1.3.3 基于是否存在干扰分类

1.4 异步周期模式挖掘研究现状

1.5 本文主要内容及创新点

1.5.1 主要内容

1.5.2 创新点

第二章 本文基本定义和相关算法介绍

2.1 基本定义

2.2 相关算法介绍

2.2.1 两阶段算法

2.2.2 SMCA算法

2.2.3 OMMA算法

2.2.4 E-MAP算法

2.3 本章小结

第三章 典型异步周期模式挖掘算法比较

3.1 典型异步周期模式挖掘算法比较分析

3.1.1 挖掘对象的异同

3.1.2 片段终止位置定义不同

3.1.3 算法挖掘过程的比较

3.1.4 算法复杂度分析

3.1.5 挖掘结果的比较

3.2 本章小结

第四章 基于动态链表结构的异步周期模式挖掘算法

4.1 引言

4.2 算法原理

4.3 算法设计

4.4 仿真实验

4.4.1 人工数据

4.4.2 实际数据

4.5 本章小结

第五章 总结与展望

5.1 总结

5.2 不足与展望

参考文献

致谢