基于质心的时间序列相似性搜索

对时间序列的相似性度量提出了一种新方法.由于相似质点系的质心距离相近,则相似的时间序列质心也应相近.基于变换的时间序列,利用预处理的时间序列数据求得加权质量,继而得到时间序列的质心.通过度量时间序列质心的欧式距离,得到时间序列的相似程度.这种方法不仅适用于时间轴伸缩及其组合,而且对于弯曲的、不同长度的时间序列同样可以处理.     

一种基于混合模型的时间序列数据挖掘系统

时间序列数据挖掘是在从数据仓库中提取出有效历史数据的基础上，对其进行一定的处理，从而发现隐含、未知的有效信息．本阐述了一种新的基于灰色—回归—模糊神经网络混合模型的时间序列数据挖掘系统，重点讨论了灰色—回归—模糊神经网络混合模型的建立过程，并应用于浙江省可持续发展预测，取得了满意的结果．该混合模型融合多种智能计算方法优点于一体，为时序数据挖掘提供了一种新的实用方法．     

时间序列数据挖掘中的聚类研究综述

鉴于时间序列数据的高维性和复杂性给数据挖掘带来的困扰以及聚类分析在时间序列数据挖掘领域中的重要性,对目前该领域国内外相关时间序列数据聚类研究的状况进行综述。时间序列聚类总体上可分为整体时间序列聚类、子序列聚类和时间点聚类3种,分别从特征表示、相似性度量、聚类算法和簇原型等方面来研究,同时也结合了具体的应用分析。根据时间序列数据挖掘中聚类存在的主要问题,提出了部分未来值得关注和研究的内容和方向,以便更好地促进时间序列数据聚类分析的研究与发展。     

基于分段时间序列的试井数据相似性查询算法

从石油试井数据序列查询的实际需求出发,给出一种新的时间序列相似性查询算法。该算法首先通过中线距离阈值和极值点两个约束条件分段线性拟合时间序列,利用分段动态弯曲距离度量获得相似的分段子序列,逐点检索该子序列实现序列的精确查询。实验结果表明,该算法具有良好的相似性查询质量和效率。     

一种快速的时间序列相似性算法的研究及其在股票管理中的应用

提出了一种新的股票时间序列相似性的研究方法,该方法与已往的算法相比,具有很高的计算效率.首先将时间序列分段线性化,将近似直线的端点按时间顺序排列形成转折点序列来描述原始序列,从而降低了数据的数量和复杂度,提高了快速性.基于分段线性化,提出了一种相似性计算方法,可以从时间序列中搜索用于传统股票分析的基础模型.将基础模型的谷点和峰点的位置按照某种规律重新排序,然后从转折点序列中寻找重新排序后与基础模型排序相同的子序列（即相似性搜索）,用该基础模型可以对股票后续趋势做出预测.与通常的相似性算法相比,该算法不考虑时间尺度和数据的幅值的变化,因此,大大提高了相似性的计算精度.     

基于Map/Reduce的时间序列相似性搜索算法

将并行计算的策略引入到时间序列处理中,提出基于Map/Reduce的时间序列相似性搜索算法,充分利用云计算可进行大规模计算和数据处理的特点,有效降低了时间序列相似性搜索中运算量,简化了计算过程。该算法在心电图数据集上进行相似性搜索,分别进行PAA下界过滤和DTW距离的计算,验证运算时间和并行加速比随节点变化的情况,与传统的单机运算相比,有效地提高了时间序列挖掘效率。     

时间序列模式挖掘的算法研究

提出一种进行时间序列模式挖掘的算法，用于对大型数据库的海量数据分析，从中挖掘出超过用户给定支持度和置信度的时间序列，从而为用户的决策支持和趋势预测提供依据，算法分为在数据中对于频繁项集的发现和频繁序列挖掘两个部分，排除不可能达到支持度和置信度阈值的项集，缩小了挖掘中的数据扫描范围，提高了数据挖掘的效率。     

时间序列模型在深层地下水水位预测中的应用

用时间序列分析法建立了地下水水位埋深时间序列模型,并对模型进行了评定和检验,结果表明,拟合精度和预测精度均较高,收到了较好的效果。     

基于形态的时间序列子序列相似性研究

时间序列重新描述和相似性度量是时间序列数据挖掘的研究基础,对提高挖掘任务的效率和准确性至关重要.提出了一种新的基于形态的时间序列子序列符号描述,并给出了相应的子序列形态距离公式,以度量时间序列子序列的相似性.该方法直观简洁,对数据的平移、伸缩不敏感,能够反映子序列趋势变化的程度、去除噪声的影响,满足时间多分辨率要求.实验结果表明了算法的有效性.     

基于小波变换的时序数据相似性挖掘

针对时序数据进行相似性挖掘,通过对时序数据进行离散小波变换(DWT)将其从时域空间变换到频域空间,将时序数据映射为多维空间的点,提出一种时序数据相似性挖掘算法。     

小波变换的离群时序数据挖掘分析

针对时序数据进行离群数据挖掘方法的研究。通过对时序数据进行离散小波变换,将其从时域空间变换到频域空间,使时序数据映射为多维空间的点。该方法具有多尺度、时移不变性等特点,经离群时间序列进行离散小波变换后,不仅具有良好的保距性又达到降低维数目的。然后提出一种基于距离的离群时序数据挖掘算法。仿真试验表明了该方法的有效性。     

时序分析在开采沉陷动态参数预计中的应用

应用时间序列分析法,对开采沉陷动态过程的概率积分法预计参数进行分析,建立动态预计模型。用该模型可对参数的未来值进行预计,然后利用预计结果进一步预计地表的移动变形,解决了开采沉陷的动态预计问题。应用此法,地表下沉的相对预计误差一般为４％左右,与传统方法相比,预计精度可提高５％～１５％。     

基于时间序列数据流的挖掘频繁串行情节的研究

针对在时间序列数据流中挖掘频繁串行情节的问题,提出了一种具有可持续挖掘的方法—TFSE(Tim e-tab le-joined Frequent Serial Ep isodes)。该方法引入了情节时间表和再次挖掘的概念,一个情节模式对应一个情节时间表,通过在情节时间表之间做数据库联接操作,生成相应新的情节时间表。情节时间表记录个数即是该情节的支持数。     

发现时间序列数据中的高质量惊奇模式

时间序列数据库中的惊奇模式发现是一个重要问题。已有的算法根据时间序列的形态特征定义并发现惊奇模式,而忽视时间序列内在的机理及其统计规律。为克服此缺点,提出基于时间序列预测的惊奇模式定义,即,其中包含了足够多例外的事件,并提出系统化的惊奇模式发现算法。首先将时间序列离散化为0和1组成的字串;然后用一个简单的算法从此字串中发现所有的惊奇模式。实验表明,所提算法不仅可以发现Keogh等人定义的惊奇模式,而且避免了发现无意义的惊奇模式。     

一种优化的自底向上时间序列分段算法

目的正确衡量分段算法的优劣,提高自底向上算法的分段精度.方法分析现有分段评价标准存在的不足,综合考虑压缩比和精度,提出相同压缩比下的拟合总误差越小算法相对更优的分段评价标准.通过去除原自底向上算法初始分段两两连接的偶数限制,提出新的自底向上算法.结果测试显示新的评价标准能有效避免错误评判.新的自底向上算法的拟合总误差比现有算法减少了一半以上.结论新的评价标准可以更准确地区分算法的优劣,比现有标准更合理.新的自底向上算法具有更高的精度,整体优于原算法.     

数据挖掘在入侵检测中的应用

为进一步建立自适应能力强、智能程度高的入侵检测系统,分析传统入侵检测中存在的问题,介绍入侵检测中的数据挖掘关键技术,最后提出一种入侵检测中的数据挖掘模型。