基于時間序列的頻繁模式挖掘研究與應(yīng)用.pdf

1、伴隨著互聯(lián)網(wǎng)的不斷發(fā)展，越來越多的用戶每天在網(wǎng)絡(luò)上進行著社交、網(wǎng)上購物、瀏覽新聞等不同類型的網(wǎng)絡(luò)活動，同時網(wǎng)站后臺記錄了這些用戶大量的交互信息、購買、點擊、瀏覽等行為，產(chǎn)生了海量的結(jié)構(gòu)化數(shù)據(jù)，半結(jié)構(gòu)化數(shù)據(jù)，甚至非結(jié)構(gòu)化數(shù)據(jù)。這也促進了大數(shù)據(jù)技術(shù)的蓬勃發(fā)展。其中，數(shù)據(jù)挖掘技術(shù)就是近年在對海量用戶行為數(shù)據(jù)進行整合處理和深層次模式發(fā)現(xiàn)的實際需求下，產(chǎn)生的一項非常流行且重要的技術(shù)。頻繁模式挖掘是數(shù)據(jù)挖掘技術(shù)的一個重要研究方向。
　　本文基

2、于傳統(tǒng)的時間序列數(shù)據(jù)挖掘研究，以氣象領(lǐng)域的時間序列數(shù)據(jù)分析為實際應(yīng)用背景，對基于時間序列頻繁模式挖掘中的時間序列符號化、基于時間序列的頻繁項集挖掘、基于時間序列的頻繁序列挖掘和基于Hadoop平臺的頻繁模式挖掘等四個方面的問題進行了深入研究和分析，對于時間序列符號化技術(shù)和時間序列頻繁項挖掘的關(guān)鍵算法提出了改進，并取得了一定成果。
　　由于時間序列數(shù)據(jù)固有的結(jié)構(gòu)特性，如高維性質(zhì)、連續(xù)性以及現(xiàn)實觀測設(shè)備引入的各種噪聲使得一般的時間序列

3、處理流程通常會先將時間序列轉(zhuǎn)換成離散的、有序的字符串，再在轉(zhuǎn)換后的字符序列上進行后續(xù)挖掘任務(wù)。本文在對氣象數(shù)據(jù)時間序列的頻繁模式挖掘中，為了更好的識別時間序列的局部趨勢變化，對時間序列符號化的分段線性化步驟進行了改進，提出了基于誤差增量的符號化算法。其次，為了更好處理海量的時間序列數(shù)據(jù)，本文基于Hadoop的Map-Reduce模型實現(xiàn)了負載均衡的FP-growth算法的分布式計算程序。最后本文還實現(xiàn)了基于Python的時間序列數(shù)據(jù)挖掘