多元时间序列
多元时间序列的相关文献在1992年到2023年内共计163篇,主要集中在自动化技术、计算机技术、经济计划与管理、地球物理学
等领域,其中期刊论文95篇、会议论文3篇、专利文献94672篇;相关期刊67种,包括江苏科技大学学报(自然科学版)、江西师范大学学报(自然科学版)、系统工程与电子技术等;
相关会议3种,包括第三届国际信息技术与管理科学学术研讨会、CWSN’2009第三届中国传感器网络学术会议、2018钢铁流程绿色制造与创新技术交流会等;多元时间序列的相关文献由454位作者贡献,包括张凤鸣、郭小芳、李锋等。
多元时间序列—发文量
专利文献>
论文:94672篇
占比:99.90%
总计:94770篇
多元时间序列
-研究学者
- 张凤鸣
- 郭小芳
- 李锋
- 李正欣
- 张可
- 叶华
- 张晓丰
- 张鹏程
- 柴毅
- 冯卉
- 刘博
- 吴虎胜
- 张雷
- 朱跃龙
- 李肯立
- 毛红保
- 王丽艳
- 王继民
- 赵丹枫
- 郑霞
- 韩敏
- 黄冬梅
- 丁锴
- 万定生
- 于翠翠
- 任伟杰
- 何志鹏
- 冯钧
- 刘世雄
- 刘兆领
- 刘康康
- 刘晓彤
- 刘琪
- 刘真
- 卢华
- 吕慧刚
- 周从华
- 唐庆华
- 姚瑛
- 孙丽婷
- 宋伟
- 宋晓宁
- 庞荣荣
- 张婷
- 张猛
- 张驰
- 彭志杰
- 徐强
- 朱迪
- 李万通
-
-
马志怡;
杨小冬;
何爱军;
马璐;
王俊
-
-
摘要:
可视图(visibility graph,VG)算法已被证明是将时间序列转换为复杂网络的简单且高效的方法,其构成的复杂网络在拓扑结构中继承了原始时间序列的动力学特性.目前,单维时间序列的可视图分析已趋于成熟,但应用于复杂系统时,单变量往往无法描述系统的全局特征.本文提出一种新的多元时间序列分析方法,将心梗和健康人的12导联心电图(electrocardiograph,ECG)信号转换为多路可视图,以每个导联为一个节点,两个导联构成可视图的层间互信息为连边权重,将其映射到复杂网络.由于不同人群的全连通网络表现为完全相同的拓扑结构,无法唯一表征不同个体的动力学特征,根据层间互信息大小重构网络,提取权重度和加权聚类系数,实现对不同人群12导联ECG信号的识别.为判断序列长度对识别效果的影响,引入多尺度权重度分布熵.由于健康受试者拥有更高的平均权重度和平均加权聚类系数,其映射网络表现为更加规则的结构、更高的复杂性和连接性,可以与心梗患者进行区分,两个参数的识别准确率均达到93.3%.
-
-
管河山;
李溪溪;
王谦
-
-
摘要:
企业爆发财务危机是一个动态的演化过程,与财务危机静态预测研究不同的是,文章采用多元时间序列数据表述企业特征,并结合COX模型进行动态预测研究。从多角度采集企业爆发财务危机的影响变量,完成必要的数据预处理后采用Mann-Whitney U检验和多重共线性检验进行变量筛选,并提取财务危机预测的主成分变量以降低变量维度,最后对比分析静态COX模型、动态COX模型和其它模型的预测效果。沪深两市A股上市公司的全样本实证结果表明:动态COX预测模型的综合识别准确率比静态COX预测模型高,且分类识别的第I类准确率和第II类准确率均有所提高,与其它模型相比具有较好的预测效力。动态COX预测模型具有较好的财务危机预判能力。
-
-
颜廷龙;
李瑛;
王凤芹
-
-
摘要:
军用飞机飞行动作具有较强的随机性和模糊性,为实现针对军用飞机飞行动作的识别和划分,提出了一种基于马尔可夫随机场MRF模型的飞行动作识别划分算法,可以在没有标定的情况下,将飞行数据段分割聚类,实现飞行动作的识别和划分。仿真实验表明,相比于传统的飞行动作识别算法,基于MRF模型的飞行动作识别划分算法且有更高的识别率。
-
-
高凯悦;
牟莉;
张英博
-
-
摘要:
传统预测模型在处理多元时间序列时,常常难以捕捉其非线性动力系统的复杂变化规律导致预测精度较低.针对此问题,本文将PCC-BiLSTM-GRU-Attention组合模型的预测方法进行了探讨和验证.该方法首先使用Pearson相关系数(PCC)进行相关性检验并删除无关特征,实现了对多元数据的降维选优.其次使用双向长短期记忆神经网络(BiLSTM)双向提取时序特征.最后使用GRU神经网络融合注意力机制(Attention),进一步学习双向时序特征的变化规律,精准捕捉关键时刻的信息.为了验证该方法在多元时间序列中的可行性,本文以股票价格预测作为实验场景,并与BP模型、LSTM模型、GRU模型、BiLSTM-GRU模型、BiLSTM-GRU-Attention模型进行对比.验证结果表明:本文探讨的PCC-BiLSTM-GRU-Attention组合模型的预测方法相比其他模型具有较高的预测精度,其平均绝对百分比误差(MAPE)达到了2.484%,决定系数达到了0.966.
-
-
沈彧;
陈庆奎
-
-
摘要:
为进一步提升养老机构的服务水平,提出一种利用多元时间序列相似性度量对老人疾病风险进行评估的模型:首先通过离散小波变换将老人监测序列分解为尺度部分和细节部分,然后在完成对序列分段的基础上,提取局部极值特征对序列进行降维,同时根据老人行为存在规律的特点,运用自适应惩罚函数来减少单点的重复使用以及匹配点间相位差过大的情况,以最大程度地识别不同老人相似的行为;再通过主成分分析确定不同检测属性的权值,得到多元序列的相似性距离;最后结合提出的相似性度量对老人的状态检测序列进行K近邻分析,利用分类的结果完成对老人的疾病风险评估.实验结果表明,该方法的分类准确率达到91%以上,能对老人的疾病风险进行合理评估.
-
-
宁小磊;
吴颖霞;
赵新;
赵军民;
张凯;
郝跳锋;
吕梅柏;
胡亚峰;
陈韵
-
-
摘要:
针对小样本条件下多元时间序列之间的关联分析问题,提出了一种小样本概率关联度模型。使用样本函数或样本统计量代替样本构造累积经验分布函数并计算概率关联系数。当比较序列样本容量n<5,使用样本顺序统计量的经验分布函数计算概率关联系数;当比较序列样本容量n≥5,使用Bootstrap方法重抽样扩充样本后再构造经验分布函数计算概率关联系数,改进了概率关联度模型中关联系数的计算方法,解决了小样本条件下这一类多元数据关联分析问题。证明了小样本概率关联度模型满足的基本性质,给出了小样本概率关联分析的基本步骤,仿真案例和实际应用验证了文中模型的正确性和有效性。
-
-
邹小云
-
-
摘要:
由于时间效率的约束,多元时间序列预测算法往往存在预测准确率不足的问题.对此,提出基于图拉普拉斯变换和极限学习机的时间序列预测算法.基于图拉普拉斯变换对时间序列进行半监督的特征提取,通过散布矩阵将监督特征和无监督特征进行融合.设计在线的极限学习机学习算法,仅需要在线更新网络的输出权重矩阵即可完成神经网络的学习.利用提取的特征在线训练极限学习机,实现对多元时间序列的实时预测.基于多个数据集进行仿真实验,结果表明该算法有效地提高了预测准确率.
-
-
孙云柯;
方志耕;
陈顶
-
-
摘要:
针对目标威胁评估问题的高维数、时变性等特点,提出基于动态灰色主成分分析(dynamic grey prin-cipal component analysis,DG-PCA)的多时刻威胁评估方法.首先,以潜艇为分析对象,构建协同作战模式下的威胁评估指标体系.其次,提出扩展灰色相似关联度用于表征指标间动态非线性相关度,构建用于多元非线性时间序列分析的DG-PCA模型.最后,结合层次分析法(analytic hierarchy process,AHP)与时间序列赋权,建立基于加权DG-PCA的多时刻威胁评估模型.分析结果表明,所提方法能够融合多时刻信息,符合作战实际,并且在小样本情况下具有较好的数据提取能力.
-
-
任伟杰;
韩敏
-
-
摘要:
多元时间序列的因果关系分析是数据挖掘领域的研究热点.时间序列数据包含着与时间动态有关的、未知的、有价值的信息,因此若能挖掘出这些知识进而对时间序列未来趋势进行预测或干预,具有重要的现实意义.为此,本文综述了多元时间序列因果关系分析的研究进展、应用与展望.首先,本文归纳了主要的因果分析方法,包括Granger因果关系分析、基于信息理论的因果分析和基于状态空间的因果分析;然后,总结了不同方法的优缺点、适用范围和发展方向,并概述了其在不同领域的典型应用;最后,讨论了多元时间序列因果分析方法待解决的问题和未来研究趋势.
-
-
刘晓彤;
车文刚
-
-
摘要:
为探究多元时间序列中各个元素之间的相关性,研究特定的Motif在时间序列中的金融趋势含义,提出了一种基于自适应步长选择的多元时间序列Motif优化算法。该算法利用线性拟合思想处理时间序列,体现多元数据的趋势;代替传统的固定步长,对多元时间序列进行自适应步长处理,提取量价结合的折线Motif模式;以收益作为模式评价标准,并引用自底向上改进算法对模式进行优化。以历史数据进行实证分析,实验结果表明该算法可有效缓解数据噪声干扰,能显著反映多元指标之间的内在关系,以可观收益体现Motif应用效果。
-
-
-
曹慧荣
- 《第三届国际信息技术与管理科学学术研讨会》
| 2011年
-
摘要:
以动力学状态空间的观点来描述多元时间序列,利用LGA(Linear Grouping Algorithm)算法提取多元时间序列不同阶段的线性模式,并给出了LGA算法分类过程中确定聚类数目的新方法。通过分析我国三大产业动态特性,将我国经济划分为三阶段,得到了描述每一阶段经济发展动态特性的中心直线方程。
-
-
李兰;
周四望;
刘放彩
- 《CWSN’2009第三届中国传感器网络学术会议》
| 2009年
-
摘要:
无线传感器网络中传感器节点携带的能量十分有限,为了减少传感数据在通信时的能量消耗,本文提出了一种基于多元时间序列相似性的聚类压缩算法。一方面在节点内部进行时间序列规整,压缩冗余数据和节点失效时的数据插补。另一方面,在簇头节点将各个节点的传感数据用动态时间弯曲技术得出它们的相似度并根据其进行聚类,得到的聚类中心作为该类的特征数据流,利用小波变换进行能量守恒压缩。仿真结果表明,该方法有效地提取出特征数据,消除节点内的信息冗余,节省了无线传输的能量消耗;簇头节点经过相似性聚类在压缩数据的同时有效地减少了压缩后的数据的误差。