数字趋势序列及其全序列匹配算法研究

针对基于点距离的时序数据分析和传统趋势序列分析的缺点，提出了数字趋势序列、序列的Lp距离、序列分段向量等概念，证明了包括“序列分段均值定理”在内的3个重要定理，设计了专门用于数字趋势序列的“基于序列分段向量（SSV）的全序列匹配算法”。算法使用片段斜率所对应的弧度值来度量片段的趋势，同时用趋势的保持时间来对趋势值进行加权，实现了数字趋势序列之间快速的全序列相似性搜索。     

基于趋势转折点的时间序列分段线性表示

分段线性表示是时间序列降维的有效方法。在总结分析序列趋势变化特点的基础上,提出了一种基于趋势转折点的时间序列分段线性表示算法。首先定义了趋势转折点作为时间序列分段点的备选集,以点到区域的距离度量趋势转折点的重要性,再根据给定的阈值选择重要趋势转折点作为分段点,对时间序列进行分段线性表示。通过与其他6种方法进行实验比较,结果表明：所提方法在具有较好的拟合质量和适应能力以及对转折点明显的序列,都表现出较强的抗噪声干扰能力。     

时间序列相似模式的分层匹配

首先将时间序列经EMD分解成细节部分和趋势部分,对低频趋势部分的序列数据进行线性分段近似表示,完成对序列数据的压缩,并将其变换成一种0-1串的形式,以适应趋势序列的快速匹配;然后通过对趋势序列模式聚类,达到对序列的粗匹配;最后对粗匹配的序列进行距离计算,从而获取细匹配的模式．实验结果表明该算法是有效的．     

基于小波分析的汽轮机振动预测研究

针对电厂汽轮机转子振动时间序列的预测比较困难,提出采用小波分解实现趋势预测。小波分解将非平稳时间序列分解成多层近似意义上的平稳时间序列,采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值。以某电厂振动信号进行预测结果表明,该算法局部及整体效果优于神经网络模型预测法,验证了该模型对转子振动时间序列预测的精确性。     

基于EMD与K-means算法的时间序列聚类

有效实现时间序列聚类的重要前提是序列的维数得到约简,序列中包含的噪声能够被滤除.文中提出一种能够对时间序列进行有效预处理的方法.该方法先通过经验模态分解实现时间序列趋势的提取,再利用自底向上算法对趋势序列进行分段,最后转换成由{-1,0,1}构成的齐序列.为了证明该方法既能实现降维,也可实现数据序列中噪声的滤除,文中利用K-means算法对经过上述方法预处理后的序列进行聚类.实验结果表明,与直接对原序列进行聚类相比,对预处理后的数据序列进行聚类,空间复杂度较低、准确性较高.     

时间序列趋势分析方法的一种改进

对时间序列数据进行趋势分析,是最基本最常用的处理。趋势分析的方法有多种。在对其中几个具有代表性的方法进行深入分析的基础上,综合其思想并加以改进,得到了基于插值法的趋势分析方法。分析了该方法的特点,指出时间序列趋势分析的难点所在。     

时间序列趋势分析方法的一种改进

对时间序列数据进行趋势分析，是最基本最常用的处理。趋势分析的方法有多种。在对其中几个具有代表性的方法进行深入分析的基础上，综合其思想并加以改进，得到了基于插值法的趋势分析方法。分析了该方法的特点，指出时间序列趋势分析的难点所在。     

基于时间序列趋势转折点的分段线性表示*

在充分利用时间序列时变特征的基础上,以有效地提取序列中的趋势和压缩原始数据为目标,提出了基于时间序列趋势转折点的分段线性表示方法。该方法在有效地提取序列中的趋势和压缩原始数据的同时,能够随着时间序列长度的增长对序列进行划分,具有高效、实现方法简便、效果直观的优点,对于不同领域的数据适应性良好。     

基于趋势点状态模型的时间序列预测算法

针对传统的时间序列线性预测算法对时间序列的线性程度要求高,而非线性方法一般建模复杂且计算量大,提出了一种基于趋势点状态模型的时间序列预测算法.该算法无须考虑时间序列是否具有显著线性特征,通过序列间耦合度挖掘时间序列上的相似子序列,找出相对应的相似序列趋势点,建立趋势点状态模型并求出预测值.算法建模简单,复杂度较低.通过模拟实验,结果表明该算法性能良好,尤其对具有周期性的时间序列预测精度很高.     

基于趋势的时间序列相似性度量和聚类研究

由于时间序列的长度很大,并且不确定时间序列在每个采样点的取值具有不确定性,导致时间序列在相似性匹配和聚类挖掘中时间复杂度很高,为了解决该问题,提出了基于趋势的时间序列相似性度量方法和聚类方法.其中基于趋势的相似性度量方法根据时间序列的整体变化趋势,将时间序列映射为短的趋势符号序列,并利用各趋势的一阶连接性指数和塔尼莫特系数完成相似性度量;基于趋势的聚类方法通过定义趋势高度,并对趋势符号序列迭代进行区间划分和趋势判断,并以此构建趋势树,最后将趋势树根节点中趋势符号相同的序列聚集为一类.实验结果表明:a)五种趋势符号的一阶连接性指数可唯一地表示一条时间序列;b)基于趋势的相似性度量方法在多项式时间内可有效完成时间序列的相似性匹配;c)基于趋势的聚类方法将序列的相似性度量和聚类过程集中在一起,聚类效果显著.     

基于形态相似距离的时间序列相似性度量

时间序列的相似性度量是时间序列分析的基础工作之一,是进行相似匹配的关键。针对欧几里德距离描述分段趋势的不足和各种模式距离对应分段之间距离值的离散化问题,提出一种基于形态相似距离的时间序列相似性度量方法,标准数据集上完成的识别和聚类实验表明了该方法的可行性和有效性。     

一种基于关键点的SAX改进算法

SAX(symbolic aggregate approximation)是一种符号化的时间序列相似性度量方法,该方法在对时间序列划分时,采用了PAA算法的均值划分,但均分点无法有效描述序列的形态变化,导致序列间对应分段均值相似的情况下,SAX无法有效区分序列之间的相似度.在SAX算法的基础上,提出了基于关键点的SAX改进算法(KP_SAX),该算法的相似性度量公式既可描述时间序列自身数值变化的统计规律,又可描述时间序列形态变化.实验结果表明:KP_SAX虽然部分提高了算法的复杂度,但可在SAX算法无法计算序列相似度的情况下,有效计算各序列间的相似度距离,达到了改进的目的.     

基于时间序列演变分析的有效相似性定义和聚类

时间序列广泛存在于商业应用中,比如电力负荷序列、网络日志等。挖掘时间序列数据对决策分析非常重要,特别地,决定时间序列的相似性在各种实际问题中起关键的作用,比如分析各个区域的电力需求特征。以前的相似性度量方法从未使用过演变这种特性去度量时间序列的相似性,基于演变分析提出了有效的时间序列相似性度量方法（SEA）,该方法通过量化演变趋势构建了有效的相似性定义,并且提出了基于该方法的聚类策略。通过在实际数据集上和其它方法的实验比较,证明了提出方法的有效性,因此也证明了时间序列演变分析对相似性度量的重要意义。     

基于时间序列相似性聚类的应用研究综述

在综合分析近年来时间序列数据挖掘相关文献的基础上从时间序列分割、相似性度量、时间序列聚类等方面对时间序列数据挖掘进行了综述,简要分析了基于时间序列相似性聚类的研究现状,对比较流行的算法进行了比较分析,对当前一些未解决的问题进行了简要介绍,并在此基础上对未来的发展趋势进行了展望,为研究者了解最新的基于时间序列相似性聚类研究动态、新技术及发展趋势提供了参考.     

时间序列趋势相似性度量方法研究

为了进一步改善和提高基于模式的时间序列趋势相似性度量效果,在时间序列分段线性表示的基础上,依据分段子序列的均值及其线性拟合函数的导数符号,实现时间序列的分段模式化,以模式之间的异同性定义模式匹配距离,借鉴动态时间弯曲（Dynamic Time Warping,DTW）的动态规划原理,提出一种动态模式匹配方法（Dynamic Pattern Matching,DPM）。实验结果表明,该方法能够在不同压缩率条件下,准确度量等长时间序列的趋势相似性,而且时间消耗较低。时间序列不等长作为存在数据缺失的一种表现形式,该方法的度量效果与数据缺失比例之间的关系值得进一步的深入研究。     

基于趋势相似性的二甲酚尾气处理过程监测

利用工业锅炉对二甲酚的尾气进行处理时,存在爆炸和有毒尾气泄漏的风险,因此对二甲酚尾气处理过程进行故障监测十分必要.然而该过程具有非平稳特征,常规的故障监测方法监测准确率不高.为了解决这个问题,提出了基于趋势相似性特征的故障监测方法,通过滑动时间窗口切割时间序列,计算各时间窗口内数据之间的趋势相似性,并以此作为新的监控特...     

Differences in Landsat-based trend analyses in drylands due to the choice of vegetation estimate

Drylands cover about 41% of the globe's surface and provide important ecosystem services, but land use and climate change exert considerable pressure on these ecosystems. Both of these drivers frequently result in gradual vegetation change and landscape-scale trend analysis based on yearly vegetation estimates can capture such changes. Such trend analyses based on high-resolution time series of satellite imagery have so far not widely been used and existing studies in drylands relied on different vegetation measures. Spectral mixture analysis (SMA) has been chosen due to its superiority to simpler vegetation estimates in quantifying vegetation cover in single-date studies, however SMA can be challenging to implement for large areas. Here, we quantify the trade-off involved when using simple vegetation estimates instead of SMA fractions for subsequent trend analyses. We calculated NDVI, SAVI and Tasseled Cap Greenness, as well as SMA green vegetation fractions for a time series of Landsat images from 1984-2005 for a study region in Crete. Linear trend analysis showed that trend coefficients and the spatial patterns of trends were similar across all vegetation estimates and the entire study region, especially for areas where vegetation changed gradually. On average, trends based on simple measures differed less than 5% from SMA-based trends with decreasing similarity in trend results from Tasseled Cap Greenness to SAVI and NDVI. Vegetation estimates differed markedly in their response to disturbance events such as fires. Trend analyses based on qualitative measures can easily be applied across very large areas and using multi-sensor time series based on high-resolution data. While the subtle differences between vegetation estimates may still be important for some applications, the robustness of trend analyses regarding the choice of vegetation estimate bears considerable promise to reconstruct fine-scale vegetation dynamics and land use histories and to assess climate change impacts on the world's drylands.     

一种面向金融数据的基于ARIMA的模糊时间序列预测模型

时序分析方法在金融数据挖掘中扮演着越来越重要的角色,然而,历史数据的不完整、不确切性制约着传统金融时间序列预测方法的准确性。创新地定义ARIMA模型的相似性和模,并融合模糊时间序列方法,提出新的基于ARIMA的模糊时间序列预测模型。该模型能够高效处理不完整的、含糊的历史数据,并对未来走势进行有效预测。一方面, ARIMA模型的简约灵活性使得对高维金融时间序列的特征提取大为简化;另一方面,由于结合模糊逻辑的理论,该方法能够有效发现历史数据中的相似模式。以人民币兑美元汇率为例,通过对预测结果的分析,验证了的新模型的有效性。     

基于互关联后继树的时间序列相似性查询

时间序列的相似性查询是分析时间序列变化规律的一种重要方法，对于时间序列的分类、预测以及知识发现都具有重要的现实意义。提出了一种基于分段技术的、同时支持可变长度的快速相似性查询方法。其主要思想是：首先依据序列变化的重要点将序列逐步分段，抽取各子段的变化特征，通过分类方法将其转变成符号序列，在此基础上，引入一种称为互关联后继树的全文索引技术，从而实现序列的快速相似性查询，其时间复杂度降到了O(L)，此外，该算法还保证在建立索引后查询结果不会有任何的错误丢失。     

基于形态距离及自适应权重的相似性度量

针对传统的动态时间弯曲算法的性能容易受到离群点以及局部噪声点的影响,同时对于复杂数据的处理能力较差。对此,文中提出基于形态距离及自适应权重的相似性度量算法。该算法首先利用 趋势滤波对原始待比较序列进行降维,压缩;其次引入形态距离计算两时间序列的距离矩阵,最后利用自适应赋权的距离函数抽取出各个子序列所含的信息量差异并结合动态时间弯曲完成最终时间序列相似度量。实验表明该算法有更强的鲁棒性,能够更好的利用序列的形态特征完成宏观的相似性度量,同时在处理复杂数据时更加精确,高效,稳定。