时间序列数据

摘要： 真实的数据是支撑智慧水务系统正确决策的前提条件。针对联盟链、公有链吞吐量低的问题与智慧水务中数据量大的特点,以某智慧水务框架下的海绵城市运行监管平台为例,设计并实现一种基于私有链的数据监管方法。该方法以传感器实时数据构建哈希树,将哈希树根交给时间戳服务器签名;时间戳签名、时间戳、哈希树根等存储在私有链区块头中,其余哈希树非根顶点存储至区块体中。以此私有链作为运行监管平台时间序列数据的证明文件,具有签名很难伪造和证明文件伪造成本高的特点,可达到证明文件难以被篡改,且可高效检测出被篡改数据的目的。实验结果表明,该方法可发现被篡改数据的时间段、被篡改数据的传感器编号以及验证数据时间戳签名的有效性,在篡改时基于内存难度的Cuckoo Cycle算法较基于计算难度的算法需要更多的硬件成本。

摘要： 目的:提出一种急危重症患者中脓毒症休克的预警模型。方法:在重症监护医学信息数据库第4版(MIMIC-IV)中筛选出符合条件的患者,提取患者的心率(HR)、呼吸频率(RR)、血氧饱和度(SpO_(2))和平均动脉压(MAP)4项连续生理指标的时间序列数据,然后将数据划分到时间窗口中。患者的一般特征(年龄、性别、体重)及生存指标(心率、呼吸频率、血氧饱和度和平均动脉压4个连续指标)分别按照线性和非线性参数进行统计分析。采用多种机器学习方法建立预测模型,预测患者在所选的时间窗口内是否会发作脓毒症休克。结果:随机森林模型预测分类准确率最高为85.16%,敏感度和特异度达到了56.00%和99.05%,接受者操作特征曲线下面积(AUROC)最高为0.85。AdaBoost模型预测的敏感度最高为58.00%。结论:随机森林模型具有高准确率、敏感度和特异度;此脓毒症休克预警模型比以往的模型预测准确度更高,预测时间更加提前。危重患者监护中可实时获得上述指标,因此通过脓毒症休克的实时动态预警,起到预测脓毒症休克的早期预警的作用,为临床决策支持提供参考。

摘要： 针对传统半监督深度异常检测模型对非平衡多维数据分布学习能力不足及模型训练困难等问题,提出一种基于VAE-WGAN架构的多维时间序列异常检测方法,利用VAE作为WGAN的生成器,使用Wasserstein距离作为模型拟合分布与待测数据真实分布之间的度量,学习复杂的高维数据分布。利用滑动窗口划分时间序列,使用正常序列数据训练模型;根据待测序列在训练好的模型中的异常得分,结合自适应阈值技术进行异常判定。实验表明,该方法具有模型容易训练且稳定性强的特点,并且在精确率、召回率､F1值等异常检测性能指标上,比现有的生成式异常检测模型有明显提升。

摘要： 针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。

摘要： 为满足现代飞机对燃油测量精度以及稳定性的需求,对飞机燃油测量领域进行探索,提出了一种基于时间序列的飞机燃油测量方法,将燃油数据视为多维时序数据,充分被利用数据信息,同时使用Transformer与LSTM将电容式传感器获取的数据作为时序数据处理,并通过贝叶斯优化合并两个模型减少了整体误差,增强了测量稳定性与可靠性。该方法在不同飞机姿态下都有稳定的表现,证明了可以通过基于时序数据的燃油测量方法获取燃油数据与飞机油量之间较为复杂的映射关系。

摘要： 针对工业生产中传统聚类算法直接应用于时间序列聚类效果准确性较低的问题,提出一种基于DTW距离度量的K-medoids算法。使用DTW计算时序数据之间的距离取代传统的欧氏距离度量方式,提高了相似性度量算法精度,同时也提高了聚类算法的准确性,并通过构建阈值机制实现了对时间序列数据的监督与异常检测。最后,结合烟叶含水率的时间序列数据进行分析,与传统聚类算法的异常检测模型比较,实验结果表明,DTW-kmedoids算法对时序数据的监督与异常检测具有可靠性、准确性。

摘要： 时间序列数据通常是指一系列带有时间间隔的实值型数据,广泛存在于煤矿、金融和医疗等领域。为解决现有时间序列数据分类问题中存在的含有大量噪声、预测精度低和泛化性能差的问题,提出了一种基于正则化极限学习机(RELM)的时间序列数据加权集成分类方法。首先,针对时间序列数据中所含有的噪声,利用小波包变换方法对时间序列数据进行去噪处理。其次,针对时间序列数据分类方法预测精度低、泛化性能较差的问题,提出了一种基于RELM的加权集成分类方法。该方法通过训练正则化极限学习机(RELM)隐藏层节点数量的方法,有效选取RELM基分类器;通过粒子群优化(PSO)算法,对RELM基分类器的权值进行优化;实现对时间序列数据的加权集成分类。实验结果表明,该分类方法能够对时间序列数据进行有效分类,并提升了分类精度。

摘要： 客流量预测是城市轨道交通网络研究的重要内容。在对地铁车站客流数据处理的基础上,建立了基于自回归移动平均模型(ARIMA)和长短期记忆(LSTM)的城市轨道交通客流预测模型,并比较了不同时间间隔下两种预测方法的准确率。结果表明,从时间粒度上看,ARIMA方法的日客流数据均方根误差比LSTM方法更小,预测效果更好;对于分时客流,结合ARIMA和LSTM可以提高准确率。研究可为客流管理、票价制定、列车组织安排等提供技术支持。

摘要： 针对复杂供输机构非平衡监测数据导致性能退化数据不足的问题,提出一种基于时间序列数据扩增的供输机构性能退化程度评估方法。在滤波算法处理实测数据基础上,利用动态时间规整算法(DTW)扩增性能退化阶段运动加速度参数,并将扩增数据与理论计算值作比较。实装试验结果表明:本文所提方法能够有效解决供输机构监测数据不平衡的问题。

摘要： 减少卫星在轨故障,使卫星按设计寿命要求在轨执行飞行任务是卫星设计的一个重要课题。为了分析在轨卫星故障的原因,探索最新的卫星故障诊断方法,首先收集了2003~2021年卫星典型在轨故障案例,然后对卫星故障从不同的维度进行统计分析和相关性分析,包括卫星平台与卫星故障的相关性、卫星在轨时长与卫星故障的相关性等,最后介绍了基于人工智能的故障诊断研究,包括国内外应用的基于人工智能的卫星故障诊断系统和故障诊断方法,以及针对时间序列数据的人工智能故障诊断方法。本研究可以为今后卫星系统设计、避免故障发生提供指导。

摘要： 阶段性时间序列数据是一种生活中常见数据形式,它描述一个包含多个状态转换的事件,每个状态都具有时间属性,且状态之间的转换存在多条路径.针对现有的可视化方法不能有效展示各个状态之间变化以及状态间路径的时间属性信息的问题,提出一个全新的基于螺旋图的可视化模型.该模型使用一个圆环表示一个状态,一个事件的多个状态采用一组同心圆表示,状态间可达路径采用螺旋线表示,螺旋线的起始位置由其起始时间与起始状态圆环决定,终止位置由其结束时间与结束状态圆环决定.针对路径过多导致路径覆盖较为严重的问题,该模型采用基于长尾函数的透明算法,根据一条路径与其他路径的交叉数,为每条路径分配透明度.该模型还提供了路径的筛选、高亮、查看详细信息、缩放等功能,实现了灵活的交互操作.通过对中国铁路列车站点数据进行实验,实验结果表明该模型能够在有限的空间中有效地展示站点间运行任意时长的列车,并且在列车较多的情况下降低了螺旋线交叉重叠带来的杂乱度,同时有效地保留了列车的运行信息,能够为用户路线的选择提供决策支持,说明了该模型对阶段性时间序列数据可视化的有效性.

摘要： 农业是新疆经济增长的关键产业,农业的发展需要各生产要素的支持,本文利用计量模型对1990年-2010年新疆农业经济增长与各投入要素的时间序列数据进行了实证分析,研究发现,有效灌溉面积、实际农村固定资产投资、化肥施用量、农业总支出对新疆农业经济增长有一定的贡献,弹性系数分别为0.721、0.675、0.599、0.418,而第一产业从业人员数、农业机械总动力、农村用电量、农药使用量、农用塑料薄膜、农用柴油使用量这6个要素的作用不够明显,最后对实证结果进行分析和讨论,并在此基础上提出促进新疆农业经济发展的政策建议.

摘要： 由于光学遥感容易受到云雨天气的影响,难以获取有效长时间序列的光学影像.基于Sentinel-1SAR时间序列数据,提出了一种基于优化动态时间规整(Dynamic Time Warping,DTW)的水稻种植区提取方法.首先根据物候特征构建Sentinel-1SAR时间序列数据,分别基于像元和对象构建后向散射系数(σ0)时间序列曲线;然后利用优化的动态时间弯曲(Dynamic time warping,DTW)算法,计算σ0时序曲线与标准σ0的相似性;最后以此为依据提取水稻种植区,并与传统DTW算法提取的结果进行对比.以江苏省东台市为研究区开展实验,结果表明,优化的DTW算法解决了全局寻优导致的时间位移不一致、时间跨度大问题,比传统DTW算法的正确率提高了1.38％;采用面向对象分类方法可以避免逐像元提取过程中出现的椒盐现象,正确率和完整率分别提高了2.48％和3.58％.

摘要： 针对配电网监测中周期性时序数据存储量大、处理耗时的问题,提出一种基于云计算集群的监测信息快速DCT压缩模型.通过配电监测信息采集点到时间序列域的实体关联,设计配电网监测数据的分布式存储模式,在连续测量对象值的LZ77无损压缩基础上,给出监测数据DCT集群压缩模型定义,融合哈夫曼编码、哈希搜索和并行分割压缩技巧,以10kV配电网监测系统为例搭建四机Hadoop集群压缩环境.测试表明:集群Lzo压缩处理速度明显比集群BZip2、Gzip和Deflate压缩速度快,速度提高约5倍,验证了快速压缩模型可有效减少监测数据压缩处理时间,为大量配电网监测数据处理提供了一种快速压缩的方法.

摘要： 针对时间序列特征SAX表示方法的信息损失及保留情况,利用信息嵌入成本(IEC)这一度量手段来分析SAX方法的内在统计特性,并通过复杂网络表示方法建立时间序列的图形化表示,达到时间序列数据分析及可视化的目的.对于时间序列数据,首先进行SAX特征表示并计算其IEC值;然后对原始时间序列及其SAX表示分别进行分类并对比分类错误率,分析IEC分值与分类错误率的关系;最后根据数据自身特点及IEC分值选取具有代表性的数据集,将SAX表示转化为马尔科夫转移矩阵,进而采用复杂网络表示方法进行可视化展示.对原始时间序列采用分位数离散化特征表示方法,与SAX方法进行可视化效果对比的实验结果表明,SAX方法能在有效降低复杂性的同时保留原始时间序列中的核心信息.文中提供了IEC分值作为SAX方法有效性判别的一个参照标准,并建立了一个有效的分析评估与可视化方法框架.

摘要： 近年来,物联网、智能电网和可穿戴设备等应用产生了海量的历史时间序列数据.传统的时间序列处理技术主要包括分类、聚类和异常检测等数据挖掘技术,以及范围查询、相似查询、聚集查询等查询处理技术.最近研究者们开始关注探索式的查询处理技术.这些查询的典型特征为:由于查询的任意性和巨大的搜索空间,无法采用固定的索引技术来加速查询处理,而需扫描整个数据集.本文提出了一种新的探索式查询:基于条件的最长子序列查询,并给出了一种高效的处理算法.算法主要创新点包括:i)通过将原始的时间序列转换为正/负分段序列,从而大大降低了搜索空间的规模;ii)通过分析LVS的结构,提出了一种基于上界的搜索算法.并且本文提出了若干种剪枝策略来进一步提高效率.本文在大规模的模拟数据和真实数据上进行了实验,验证了算法的有效性和高效性.

摘要： 本文利用我国1978年至2012年的GDP时间序列数据,应用ARMA模型,通过eviews软件,对数据进行检验、建模和预测,以说明ARMA模型在现实中的应用.

摘要： 高等教育对经济增长的作用随着时代的发展而愈发重要，本文首先利用湖北省1978～2008年经济与教育方面的时间序列数据，在对所研究变量进行ADF检验的基础上，采用协整检验与VEC模型判断高等教育与经济增长的长期协整关系及短期波动影响，并利用脉冲响应函数及方差分解技术分析高等教育对经济增长的实际贡献和动态影响，并与初中、高中教育进行对比；其次，本文采用面板数据的分析方法，依据1949～2009年中部三省的面板数据构建面板分析模型，对中部三省高等教育与经济增长的内生依存关系展开研究，分析两者之间的相关性，并比较高等教育对经济增长的边际影响率在不同省之间的差异，从而对三省高等教育与经济增长的内生依存关系和区域经济增长中高等教育的实际作用进行解释。结果表明：高等教育与经济增长之间存在以“短期波动、长期稳定”为特征的均衡协整关系；湖北省高等教育对经济增长的促进作用受制于自身特点和所处环境而未能充分发挥；高等教育对物质资本投入增长的贡献最大。

摘要： 土地覆盖数据是陆地表层过程研究的重要基础，土地覆盖类型的变化将影响生态系统的结构、功能及其他一系列的地表过程，如能量交换、水循环等。MODIS数据积累已有10余年，但其土地覆盖产品只包括2001-2004年。针对这一缺陷，本文提出一种利用已有产品提取分类特征，并将分类特征用于其他年份数据进行分类的方法。该方法首先利用MODIS土地覆盖产品和16天合成的时间序列NDVI、反射率数据，提取不同土地覆盖类型的分类特征，然后将分类特征应用到其它年份，并通过多源数据融合理论，将不同数据源进行融合，最终得到土地覆盖分类结果。论文利用青藏高原2003和2004年的数据进行试验，将2004年的分类特征应用到2003年进行分类，最后以2003年MODIS土地覆盖产品对分类结果进行验证，两者一致性较高，总体精度为80.36%，kappa系数为0.72。结果表明，论文提出的这种方法，可简单快速的对MODIS进行分类，且分类结果精度较高。

摘要： 本文应用条件极值法对中国股市的金融风险进行测量，并用无条件覆盖率和条件覆盖率检验来考察其测量的准确程度。检验的结果表明该方法能更加准确的描述金融机构所面临的风险。条件极值法的优越性体现在两个方面：⑴并非基于全部时间序列数据而是基于数据的尾部建模，这能更精确的刻画数据的极值特征；⑵考虑了金融时间序列数据分布的时变特征。正是由于条件极值法更充分有效的利用了数据信息，因此它能更精确的捕捉到金融市场上极值事件的发生率和发生程度。基于似然比率检验的结果表明，用条件极值法计算出的VaR值比用传统的分布计算出的VaR值更为精确。

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明提供了时间序列数据的组合查询缓存建立方法及系统、时间序列数据的组合查询缓存方法及系统，本发明建立的时间序列数据的组合查询缓存，包括时间序列数据的存储单元和查询结果的存储单元，所述时间序列数据的存储单元包括时间数据集合文件和查询时间范围文件，所述查询结果的存储单元包括唯一标识文件和查询时间范围文件，本发明的组合查询缓存在处理时间序列数据上有两个显著的改进：第一，显著提高缓存的命中率，因为本发明可以识别部分时间区间的命中，使后端存储系统的查询压力显著下降；第二：显著降低缓存系统的存储容量，因为本发明中数据的存储粒度小，元数据信息丰富，完全消除了存储中的数据冗余。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 时间序列数据特征量提取装置具备：数据加工部，基于受理的输入时间序列数据长度和受理的观测最小间隔来将受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述模型的输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 特征量提取装置(100)具有：数据取得部(110)，其取得时间序列数据作为输入时间序列数据(D1)；多滤波器应用部(120)，其具有多个数字滤波器，对数据取得部(110)取得的输入时间序列数据(D1)应用各数字滤波器，按照每个数字滤波器输出应用后的包含时间序列特征或频率特征的时间序列数据即滤波器响应时间序列数据(D5)；以及特征量提取部(130)，其针对多滤波器应用部(120)输出的多个滤波器响应时间序列数据(D5)，按照每个滤波器响应时间序列数据(D5)提取特征量，输出提取出的特征量作为特征量数据(D2)。

摘要： 本发明提供了一种时间序列数据聚类模型建立方法及时间序列数据聚类方法，涉及数据聚类技术领域。本发明所述的时间序列数据聚类模型建立方法，包括：获取原始时间序列数据，将所述原始时间序列数据输入到深度神经网络中进行训练，得到所述原始时间序列数据的最终特征表示；根据所述最终特征表示通过对比学习对时间序列样本进行聚类，根据交叉熵调参直至训练完成，以建立时间序列数据聚类模型。本发明所述的技术方案，能够实现针对时间序列数据特点的高效特征表示，有效解决当前已有算法存在的特征提取表达能力不足、相似数据之间结构信息挖掘不充分的问题，提高了时间序列数据聚类的准确性。

摘要： 本发明的多变量时间序列数据处理装置具有：数据获取部(15A)，其针对多个变量各方而获取第1时间序列数据(X)及第2时间序列数据(Y)；评价值计算部(15B、25B)，其将第1时间序列数据(X)及第2时间序列数据(Y)分别分割为多个时间区间，并计算对各时间区间分配的评价值；以及同步处理部(15C、25C)，其根据对应于第1时间序列数据(X)的评价值的数组、对应于第2时间序列数据(Y)的评价值的数组、以及分配给该变量的权重来算出权重数组，根据所述权重数组来确定在多个变量之间共通的、第1时间序列数据(X)的样本值与第2时间序列数据(Y)的样本值的对应关系。

摘要： 初始区段集合生成部(120)根据训练时间序列数据(S)生成初始区段集合(F)。初始区段集合排序部(130)按照特征量的顺序对初始区段集合中包含的初始区段进行排序。标本区段集合生成部(140)根据初始区段集合生成标本区段集合(E)。标本区段集合排序部(150)按照特征量的顺序对标本区段集合中包含的标本区段进行排序。检索结果距离计算部(160)使用标本区段集合计算每个测试区段的检索结果距离(Z)。

摘要： 时间序列数据处理装置(10)将随着时间的经过而依次得到的值的列即时间序列数据作为输入。时间序列数据处理装置(10)提取值随着时间的经过而上升或者下降的部分列数据作为扩展区间，其中，该部分列数据是从时间序列数据中切出的。时间序列数据处理装置(10)从提取出的扩展区间中，确定值随着时间的经过而上升的扩展上升区间和值随着时间的经过而下降的扩展下降区间的出现模式。