基于小波變換的時(shí)間序列挖掘研究.pdf

1、時(shí)間序列是按時(shí)間順序排列的，隨時(shí)間變化且相互關(guān)聯(lián)的數(shù)據(jù)序列，在金融、科學(xué)觀測(cè)和工程等各個(gè)領(lǐng)域都廣泛存在。如何有效的管理和利用這些數(shù)據(jù)，發(fā)現(xiàn)這些數(shù)據(jù)背后隱含的規(guī)律和知識(shí)，是人們廣泛關(guān)注，具有重要意義的理論和實(shí)際應(yīng)用課題。 數(shù)據(jù)挖掘的方法主要有統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法和數(shù)據(jù)庫(kù)方法。本文主要研究了小波變換應(yīng)用到時(shí)間序列挖掘中的方法，包括小波變換在時(shí)間序列屬性約簡(jiǎn)，時(shí)間序列相似性匹配，時(shí)間序列奇異點(diǎn)檢測(cè)中的應(yīng)用，根據(jù)小波變換

2、的多分辨性提出了基于小波變換的聚類算法，重點(diǎn)研究了時(shí)間序列挖掘中的多層次相似性匹配和多層次頻繁模式挖掘問(wèn)題。主要研究成果如下： 1.小波變換改進(jìn)傳統(tǒng)聚類算法 針對(duì)傳統(tǒng)聚類算法如k-Means算法中初始聚類中心是隨機(jī)選擇的，不太合理的問(wèn)題，提出了基于小波分析的時(shí)間序列聚類算法W-kMeans算法，一算出時(shí)間序列的Haar分解系數(shù)，就在這些系數(shù)上運(yùn)用k-Means聚類算法，從第二個(gè)層次開始，再漸漸的進(jìn)行到更高的層次上。

3、 2.時(shí)間序列的多尺度相似性模式匹配 改進(jìn)了現(xiàn)有的時(shí)間序列多尺度相似匹配算法，現(xiàn)有算法中序列的片段相似標(biāo)準(zhǔn)僅僅考慮了兩個(gè)片段的傾角而沒(méi)有考慮長(zhǎng)度，本文結(jié)合時(shí)間序列的KL相似性度量提出了一種更好更合理的多尺度時(shí)間序列相似模式匹配算法。并根據(jù)小波變換的多尺度性提出一種更有效，更合理的方法來(lái)解決時(shí)間軸伸縮問(wèn)題，進(jìn)行更長(zhǎng)時(shí)間的模式匹配。 3.時(shí)間序列的多尺度頻繁模式挖掘 時(shí)間序列本身有長(zhǎng)期和短期之分，挖掘時(shí)間序列的多尺