時間序列數(shù)據(jù)挖掘中的維數(shù)約簡與預(yù)測方法研究.pdf

1、時間序列數(shù)據(jù)是一種常見的數(shù)據(jù)形式，廣泛存在于各種現(xiàn)實應(yīng)用中。相應(yīng)地，利用數(shù)據(jù)挖掘技術(shù)從時間序列中發(fā)現(xiàn)其中蘊(yùn)含的信息和知識也成為了研究的熱點，其研究成果在金融、工業(yè)、農(nóng)業(yè)、醫(yī)藥、氣象、交通、計算機(jī)網(wǎng)絡(luò)等領(lǐng)域取得了成功的應(yīng)用。然而不同于傳統(tǒng)靜態(tài)數(shù)據(jù)，時間序列數(shù)據(jù)通常具有時序性、數(shù)量大、維數(shù)高、特征多等特性。因此，研究如何有效地通過時間序列數(shù)據(jù)挖掘技術(shù)來處理和分析時間序列數(shù)據(jù)具有重要的意義。
　　本文以時間序列數(shù)據(jù)為研究對象，針對時間序

2、列的高維特性，主要研究時間序列的維數(shù)約簡技術(shù)，包括特征提取方法與特征表示方法。從時間序列的應(yīng)用角度出發(fā)，主要研究時間序列的預(yù)測方法，包括單變量時間序列的預(yù)測與多變量時間序列的預(yù)測。
　　時間序列的特征提取是通過選擇數(shù)量較少且反映原序列主要信息的特征子集實現(xiàn)維數(shù)約簡的技術(shù)。針對時間序列的時序特性，本文提出了一種基于因果關(guān)系挖掘的多變量時間序列特征提取方法。該方法是一個二維的特征提取，即不僅提取出特征變量，也提取特征變量的有效滯后期。

3、同時，利用Granger因果關(guān)系挖掘的因變量及滯后期所組成的特征子集對結(jié)果也有較好的因果解釋性。
　　時間序列的特征表示是將高維的時間序列數(shù)據(jù)轉(zhuǎn)換為低維表示并盡可能保留原始時間序列的特征信息。針對傳統(tǒng)符號表示方法中只根據(jù)均值特征描述原始時間序列可能造成信息丟失的不足，本文提出了基于趨勢距離的時間序列符號聚集近似表示方法，并構(gòu)造了滿足距離下界性的距離度量。首先提出了基于序列段起點值和終點值的趨勢距離度量方法來量化不同趨勢的差異，然后

4、把趨勢因素集成到原符號聚合近似表示方法中，實現(xiàn)利用均值特征和趨勢特征共同表示原始時間序列。
　　單變量時間序列預(yù)測是利用時間序列自身的歷史值來預(yù)測未來的數(shù)據(jù)。針對傳統(tǒng)的基于自回歸滑動平均模型的預(yù)測模型建立后不能更新最新時間序列信息的不足，本文通過將自回歸滑動平均模型的差分方程形式與傳遞形式結(jié)合，構(gòu)建了一種預(yù)測值實時自修正的預(yù)測模型。新的預(yù)測模型會包含新的觀測值的影響，從而提高預(yù)測的精度并減少運算量。
　　多變量時間序列預(yù)測是