流形排序算法预测microRNA*

在已知microRNA(miRNA)较少的情况下,为了提高算法预测的准确性,提出一种基于流形排序的miR-NA预测算法。该算法采用加权图模型描述序列,使用置信传播分配排序分数,降低了算法的时间复杂度;算法根据大规模数据内部全局流形结构进行排序,提高了排序结果的准确性。在人类和按蚊全基因组范围内的实验证明,流形排序算法的预测效果优于传统的预测方法,可以作为预测miRNA的一个有效工具。     

DSI:一种基于动态分段的时间序列查询索引

时间序列数据主要依据采集时间进行排序,时间序列上相邻的数据具有一定的关联性,当用户读取时间序列数据时不只是读取一条数据,而是连续读取一段时间序列数据。针对时间序列的局部性特点,提出一种基于动态分段的时间序列索引DSI,通过设置差值及差值等级对时间序列数据进行动态分段,使用区间树快速查找不同长度的数据分段块,并利用层次聚类算法优化查询结果集合。实验结果表明,DSI索引的查询效率优于现有时间序列查询索引。     

基于时态边缘算子的时间序列分段线性表示

时间序列的分段线性表示算法通常基于单一的启发式规则,难以适用于不同数据特征的时间序列。借鉴了边缘算子的思想来提取时间序列的边缘点,提出了一种基于时态边缘算子的时间序列分段线性表示算法。在来自不同领域的公开数据集上进行的实验结果表明：与两种主要的分段线性表示算法相比,该算法具有更好的拟合性能,并且更为稳定,能够适用于各类不同数据特征的时间序列。     

基于趋势转折点边界面积的时间序列分段算法

时间序列数据具有数据量大、维度高等特点,对时间序列数据进行挖掘之前通常先进行分段预处理。传统的基于特殊点分段算法往往只关注该特殊点相邻点或相邻特殊点的变化情况,不能有效表示该特殊点左右两侧的中长期变化趋势,本文提出一种基于趋势转折点边界面积的时间序列分段算法。该方法首先找出趋势转折点,之后寻找该点左右两侧维持趋势的边界点,在寻找边界时允许轻微波动,最后计算这三点构成的面积,以此代表该点的重要性。该算法在真实工业生产数据上实验效果良好,并通过不同领域公共数据集与其他算法进行比较,证明算法有效。     

核转折点裁剪表示的时间序列异常检测算法

裁剪表示是时间序列降维表示研究领域中一种重要的数据驱动表示方法,该类方法将原始时间序列数据转换为一组由0和1组成的序列。然而,传统裁剪表示方法忽略了时间序列中数据点对序列趋势变化的影响,同时无法自定义降维表示后的压缩率。为了解决以上问题,提出了一种基于核转折点的裁剪表示方法KTPC,并基于KTPC表示方法提出了一种高效的时间序列异常检测算法KTPC-AD。所提方法按照指定的压缩率寻找时间序列中的核转折点,将时间序列转换为由核转折点裁剪表示形成的一组0和1序列,利用KTPC-AD算法计算时间序列的异常得分,最终获得异常序列。实验结果表明,KTPC方法具有较高的表示效率,基于KTPC表示的时间序列异常检测算法不仅降低了异常检测的时间复杂度,同时有效提升了异常检测精度。     

管道流量泄漏时间序列分类的算法研究

时间序列分类比一般分类问题困难,主要在于要分类的时间序列数据不等长,因此不能直接应用一般的分类算法。首先提出基于聚类模型的数据转换,然后进行基于模型的聚类分析,用领域相关法对时间序列建模,用模型参数组成等长向量来表示每条序列,最后进行时间序列匹配算法分析,用分类算法进行训练和分类。结合管道流量泄漏点提出一种时间序列匹配的新方法,利用同类样本间的连续性规律,将时间序列排序,并在相邻的时间序列之间添加样本点,新方法优于基于动态时间弯折的传统方法;针对管道流量泄漏时间序列分类的算法研究观测到不同算法在不同因素影响下的性能表现,为今后发展新的算法提供有力依据。     

基于密度感知模式的生物序列分类算法

针对现有的基于模式的序列分类算法对于生物序列存在分类精度不理想、模型训练时间长的问题,提出密度感知模式,并设计了基于密度感知模式的生物序列分类算法——BSC。首先,在生物序列中挖掘具有"密度感知"的频繁序列模式;然后,对挖掘出的频繁序列模式进行筛选、排序制定成分类规则;最后,通过分类规则对没有分类的序列进行分类预测。在4组真实生物序列中进行实验,分析了BSC算法参数对结果的影响并提供了推荐参数设置;同时分类结果表明,相比其他四种基于模式的分类算法,BSC算法在实验数据集上的准确率至少提高了2.03个百分点。结果表明,BSC算法有较高的生物序列分类精度和执行效率。     

基于自相似的金融时间序列波动聚集性研究

自相似与波动聚集性是金融时间序列的两个重要特征,文章将这两个特征结合,提出了一种基于自相似的波动聚集模型。基于该模型提出了一种基于拟合优度与趋势变动的联机时间序列分割算法,算法能够根据波动的自相似特征将序列分割为多个子序列,从而用于研究在不同时段金融时间序列波动的自相似性。对实际数据的实验结果表明,文章所提出的模型和分割算法是有效的。     

融合地理社交和时间序列信息嵌入排名位置推荐模型

在基于社会化媒体的位置推荐中,建模用户签到的位置序列建模十分必要。已有的相关算法大多都忽略了这样一个事实,即不同日子的签到序列表现出了不同的时间特征。为解决上述问题,提出一个地理社交时间序列嵌入排名（GSTSER）模型用于基于社会化媒体的位置推荐。该统一模型中的时间位置嵌入模型用于捕获序列中的上下签到信息以及不同日子的各种时间特征。同时,也提出了一种新的方法,根据地理—社交信息区分未访问的位置,将地理—社交影响纳入成对偏好排序方法。最后,基于一个统一的框架来结合这两种模型用于推荐位置。为了验证提出方法的有效性,在两个真实的数据集实验结果表明,GSTSER模型优于主流先进位置推荐算法。     

基于关键形态特征的多元时间序列降维方法

针对传统主成分分析及相关方法对多元时间序列特征表示的局限性,以及降维效果对数据相似性度量质量的影响,从数据形态特征的角度出发,提出一种关键形态特征的多元时间序列降维方法.利用动态时间弯曲方法找出训练集每个类别的中心多元时间序列,根据形态特征找出每个中心多元时间序列的关键特征变量分量的重要度,使用重要度提取若干个关键特征变量分量,达到数据降维的目的.实验结果表明,与传统方法相比,所提方法能够有效地根据形态特征对多元时间序列进行降维,并且能够取得更好的分类效果.     

一种基于分形时变维数的非平稳时间序列相似性匹配方法

随机非平稳时间序列在时空动力学演化过程中呈现出非线性特征和分形特征,传统相似性查询的维数约简方法导致时间序列的非线性和分形这些重要特征消失,序列相似性匹配的局部误差也就会增大．该文提出了序列分形时变维数的概念,给出了时变Hurst指数的小波估计式和算法;提出了一种新的序列相似性判别标准．新方法在某一分辨级水平上进行曲线形状相似性查询和度量的同时也进行维数曲线的度量和匹配．用仿真算例对方法的有效性进行了验证。     

司法消噪与多技术融合的时间序列预测

针对时间序列的在线精确预测问题,建立了融合预测算法。创新地提出了司法消噪算法,在保留数据的原始信息前提下,实现了对时间序列中数据噪声和新稳态的处理;利用经验模式分解方法对除噪后的数据进行平稳化分解处理;结合BP神经网络、最小二乘支持向量机分别对分解后的低频、高频项进行预测,实现对时间序列的在线精确预测。该算法克服了BP神经网络的高频易发散和最小二乘支持向量机的计算高耗时问题。基于患者呼吸周期序列预测的仿真和临床实验结果表明,该算法能实现时间序列的在线精确预测,且误差小于单一的BP算法,耗时小于单一的最小二乘支持向量机预测算法。     

基于分割模式的时间序列矢量符号化算法

针对符号化聚合近似算法(SAX)中时间序列必须等长分割的缺陷,提出一种基于分割模式的时间序列符号化算法(SMSAX)。利用三角阈值法对随机抽样的时间序列进行特征提取,计算时间序列最大压缩比,将其作为时间窗宽提取分割点,进而求出时间序列的分割模式。利用得到的分割模式对时间序列进行分割降维,通过均值和波动率对分割后的子序列进行向量符号化。根据时间序列特征对其进行不等长分割,并加入波动率消除奇异点的影响。实验结果表明,SMSAX能获得比SAX更精确的结果。     

多变量时序回归树的黄瓜产量预测模型

为提高黄瓜产量预测能力,将黄瓜的全生育期作为研究对象,提出了一种基于多变量时间序列的回归树预测模型.将黄瓜全生育期采集到的多环境变量作为一个时间序列,根据黄瓜的生长期将整个时间序列划分成多个子序列,最后利用回归树算法对时间序列样本进行建模.该研究以戴多星这一黄瓜品种为实验对模型进行验证,实验结果表明,该模型能准确地预测黄瓜戴多星的产量,平均单株产量误差不大于0.05kg.     

一种使用shapelets的增量式时间序列分类

根据时间序列数据维度高、实值有序、数据间存在自相关性等特点,对时间序列分类过程进行研究。研究了当前比较流行的时间序列分类方法;从图像处理的角度出发,提出了一种将图片信息转化为时间序列数据的ITTS方法。shapelets作为最能够表示一条时间序列的子序列,随着时间的推移,这个特征序列可能会动态地发生变化。基于这样的思想,提出了一种基于动态发现shapelets的增量式时间序列分类算法IPST。该算法能够较好地动态发现当前最优的k个shapelets,从而提高时间序列分类的准确度。 得到 的shapelets集合还可以与多个传统的分类器结合,从而获得更佳的分类效果。     

混沌系统的混合遗传神经网络控制

在小扰动控制技术基础上,将暂态误差预测方法和遗传算法结合起来,提出了一种混合遗传神经网络控制非线性混沌系统的新方法(简称HyGANN).通过增强学习训练,HyGANN可产生控制混沌状态的小扰动时间序列信号,Henon映射的计算机仿真结果表明,它不仅有效镇定混沌周期1,2等低周期轨道,还可成功将高周期混轨道变成期望周期行为.     

多尺度时间序列异常事件检测

给出了时间序列中异常事件的多尺度检测方法。该方法基于小波变换模极大值。异常事件可以在各个尺度上进行观察,这是通过沿小波变换模极大值线搜索完成的。并给出了算法实现和在时间序列中的应用。     

基于互相关的二阶段时间序列聚类方法

提出了一种高效的时间序列聚类方法,以互相关函数为基础,通过二阶段的方法实现更低时间复杂度下的时间序列聚类。第一步以时间序列符号化为基础,通过设计符号化序列特征抽取算法,抽取特征时间段;第二步以互相关函数为基础,通过改进的互相关函数步骤,实现更快速的时间序列聚类。实验结果表明,该方法可以适应稀疏及密集的时间序列数据抽取,同时与传统的聚类距离公式相比,处理速度更快,对时间序列形状的缩放有更好的表示效果,并能保持较高准确性。     

一种新的用于连续值属性离散化的约简算法

针对在Nguyen和Skowron的离散化算法中进行启发式约简时会出现某些属性不能进行离散化问题，以及在无核数据集中启发式约简算法计算量比较大等问题，在粗糙集理论和属性频率函数的基础上给出一个新概念－候选核，并提出一种新的用于连续值属性离散化的约简算法－基于候选核的启发式约简算法（简称BCC）。该算法可以寻找到能对所有属性进行离散化的约简，实验表明，所提出的BCC算法能提高大数据集的离散化效果。     

基于行程时间多步预测的实时路径导航算法

针对现有车辆导航算法仅考虑单一数据,使所得路径实际行程时间比预期更长的问题,首先建立了基于卡尔曼滤波理论的行程时间多步预测模型;其次,提出了综合利用实时数据、行程时间多步预测数据及历史数据的实时路径导航算法,并改进了其实现的核心算法Dijkstra_pred.实验结果表明,基于三类数据的实时路径导航算法所得路径的实际行程时间从整体上优于仅采用实时数据的导航算法,且路径变化较少.