面向時間序列相似性的序列模式挖掘及應(yīng)用.pdf

1、時間序列數(shù)據(jù)分析技術(shù)已廣泛應(yīng)用于交通、金融、環(huán)境、醫(yī)學(xué)等領(lǐng)域的數(shù)據(jù)挖掘中，其重要性與日俱增。傳統(tǒng)時間序列數(shù)據(jù)分析技術(shù)大多側(cè)重于對整段時間序列建立各種數(shù)學(xué)模型，而忽視了特定區(qū)間的時間序列對結(jié)果分析的重要性;同時，傳統(tǒng)時間序列數(shù)據(jù)分析技術(shù)研究對象主要是單變量時間序列，未考慮受多種因素影響的多變量時間序列;此外，時間序列模式挖掘的研究方法是直接對大量歷史時間序列進(jìn)行符號化，存在針對性不強(qiáng)、速度較慢等問題。針對上述問題，本文在深入分析傳統(tǒng)時間序

2、列相似性搜索算法和經(jīng)典時間序列模式挖掘算法的基礎(chǔ)上，在單變量時間序列方面，研究了各時間段序列的權(quán)值分配算法以及加權(quán)單變量時間序列相似性搜索算法;在多變量時間序列方面，研究了不同變量時間序列的權(quán)值分配算法以及加權(quán)多變量時間序列的相似性搜索算法;在此基礎(chǔ)上對時間序列模式挖掘過程進(jìn)行了優(yōu)化;此外，還以滬深A(yù)股的實際交易價格時間序列為驗證對象，對本文的研究成果進(jìn)行了實驗驗證。
　　本研究主要內(nèi)容包括：⑴提出了單變量時間序列各時間段序列的權(quán)

3、值分配算法和加權(quán)單變量時間序列相似性搜索算法。針對各個時間序列區(qū)間具有不同特性且對相似性搜索結(jié)果的有效性影響程度各異，借鑒資訊檢索中詞條相關(guān)性算法，提出了各時間序列區(qū)間的權(quán)值分配算法，并將權(quán)值引入余弦相似性度量方法進(jìn)行加權(quán)單變量時間序列相似性搜索。實驗結(jié)果表明，加權(quán)單變量時間序列相似性搜索算法的準(zhǔn)確性更高；⑵提出了多變量時間序列各變量的權(quán)值分配算法和加權(quán)多變量時間序列相似性搜索算法。針對單變量時間序列相似性搜索算法僅考慮單個影響因素的不

4、足，借鑒多屬性決策問題的相對熵賦權(quán)法，提出了一種適合于多變量時間序列相似性搜索的變量權(quán)值分配算法及相應(yīng)的多變量時間序列相似性搜索算法。實驗結(jié)果表明，加權(quán)多變量時間序列相似性搜索算法所搜索出的時間序列其后續(xù)序列與理想股價走勢序列相似性更高；⑶設(shè)計了基于加權(quán)時間序列相似性搜索的時間序列模式挖掘優(yōu)化方案。針對已有的時間序列模式挖掘思路針對性差、時間消耗大等缺點(diǎn)，融合了加權(quán)多變量時間序列相似性搜索算法和差分符號化方法對時間序列模式挖掘預(yù)處理過程