共查询到19条相似文献,搜索用时 78 毫秒
1.
2.
时序模式发展算法研究 总被引:2,自引:0,他引:2
针对时序数据,提出一种新的时序模式的逻辑表示法,通过分段线性表示,将时序曲线拟合为线段序列,从而以相对应的线段的斜率反正切值序列作为模式的逻辑表示,在此基础上,设计出时序模式发现算法,此算法能够自动地 有所(子)模式,有关实验结果证明算法是行之有效的。 相似文献
3.
序列模式挖掘是一项重要的数据挖掘任务,而Apriori算法是一种有效的关联规则挖掘方法,本文介绍了如何将Apriori算法应用于序列模式挖掘。 相似文献
4.
多维序列模式挖掘是在序列模式挖掘的基础上发展起来的,文章阐述了有关概念,介绍了两种序列模式挖掘算法:GSP算法和PrefixSpan算法,在对两类算法进行比较分析的基础上形成了挖掘多维序列模式的UniSeq算法、Dim-Seq算法和Seq-Dim算法。针对不同维度的模式,各种算法特点不同。 相似文献
5.
6.
7.
序贯模式是时间相关数据库中存在的一种十分有用的知识模式,其发掘方法的研究有着十分重要的意义,本文给出了一种挖掘数据库中序贯模式的算法,通过认真地研究了挖掘过程中的中间及结果数据的存储结构,从而大大地减少了对数据库的扫描遍数,提高了算法的效率。 相似文献
8.
9.
时序模式发现算法研究 总被引:14,自引:0,他引:14
针对时序数据 ,提出一种新的时序模式的逻辑表示法 ,通过分段线性表示法 ,将时序曲线拟合为线段序列 ,从而以相对应的线段的斜率反正切值序列作为模式的逻辑表示 .在此基础上 ,设计出时序模式发现算法 ,此算法能够自动地发现所有 (子 )模式 .有关实验结果证明算法是行之有效的 . 相似文献
10.
从实际应用角度,在对模糊关联规则挖掘算法进行改进的基础上,提出了模糊关联规则的加权挖掘算法(FARMA),以及简化的关联规则的加权挖掘算法(SFARMA),通过实验验证了算法的可行性,并对算法的性能进行了讨论。 相似文献
11.
12.
多变量时间序列模式挖掘的研究 总被引:4,自引:0,他引:4
多变量时间序列数据集合在许多领域中存在,由于其观测变量之间的相互关联性,往往需要进行综合分析.使用基于时间序列相似性的多变量时间序列模式挖掘方法,从历史数据中寻找出相似的多变量时间序列.将多变量的数据集分段平均为连续矩阵,并采用基于主成分分析和奇异值分解的方法来对矩阵进行相似性比较,最后通过相邻片断的合并以组成更高层次的时序片断,以提高模式的匹配的范围.并在地震前兆数据进行了实现. 相似文献
13.
时间序列数据挖掘中特征表示与相似性度量研究综述 总被引:2,自引:1,他引:1
分别分析了时间序列特征表示和相似性度量在数据挖掘中的作用和意义,对目前已有的主要方法进行了综述,分析各自存在的优缺点;同时,探讨了将来值得关注的问题,为进一步研究时间序列数据的特征表示和相似性度量提供了方向。 相似文献
14.
为了减少噪声数据对查询最优序列的影响,避免Euclidean距离对形态的敏感性,以及要求序列等长的缺点,提出了面向噪声数据的时间序列相似性搜索算法.运用SPC方法去除序列中的噪声数据;采用DTW距离作为度量函数,使用规范化方法使序列处于相同的分辨率下;采用LB_ Keogh下界函数对候选序列集合进行筛选.仿真实验结果表明,该算法在阈值较小时,对含有噪声数据序列的匹配能力较强. 相似文献
15.
在时间序列相似性问题中滑动窗口的确定 总被引:1,自引:0,他引:1
作为一个非平凡命题,大多数时间序列相似性查找方法都涉及到了对原数据的维度简约.在保持原序列中有效信息量的同时,尽量降低计算复杂度是这些算法的关键.讨论滑动窗口在时间序列相似性降维技术中的实际应用,从中发现确定自适应滑动窗口大小的一种新方法.通过对时序特征值分布函数的挖掘,发现时间序列中的若干有效点,从而确定一组合适的滑动窗口大小,并根据序列变化的来决定最佳的滑动窗口. 相似文献
16.
到目前为止能够计算字符化时间序列的距离度量的方法很少,为此,提出了一种新的字符化的时间序列表示方法BSAP。该方法既能进行维度约简又允许在符号化后的时间序列表示法上定义距离度量。实验分别在合成数据和实际数据上进行,实验表明该方法具有更高的运算效率且需要较少的空间。 相似文献
17.
18.
针对时序动态数据挖掘算法有限的问题,充分考虑动态数据之间的依赖性,将隐马尔可夫模型和启发式聚类策略相结合实现对时序动态数据发展变化特征及规律的挖掘。首先,基于隐马尔可夫模型将时序数据转换到似然空间,并以对称性KL( Kullback-Leibler)距离来标识似然度的大小;其次,构建对称性KL距离转移矩阵,并借助分层聚类方法实现对时序动态数据变化模式的分类。通过将该方法应用于计算机网络专业职位需求变化规律的知识发现,挖掘出职位需求变化的五类模式。 相似文献
19.
Lucia Sacchi Cristiana Larizza Carlo Combi Riccardo Bellazzi 《Data mining and knowledge discovery》2007,15(2):217-247
A large volume of research in temporal data mining is focusing on discovering temporal rules from time-stamped data. The majority
of the methods proposed so far have been mainly devoted to the mining of temporal rules which describe relationships between
data sequences or instantaneous events and do not consider the presence of complex temporal patterns into the dataset. Such
complex patterns, such as trends or up and down behaviors, are often very interesting for the users. In this paper we propose
a new kind of temporal association rule and the related extraction algorithm; the learned rules involve complex temporal patterns
in both their antecedent and consequent. Within our proposed approach, the user defines a set of complex patterns of interest
that constitute the basis for the construction of the temporal rule; such complex patterns are represented and retrieved in
the data through the formalism of knowledge-based Temporal Abstractions. An Apriori-like algorithm looks then for meaningful
temporal relationships (in particular, precedence temporal relationships) among the complex patterns of interest. The paper
presents the results obtained by the rule extraction algorithm on a simulated dataset and on two different datasets related
to biomedical applications: the first one concerns the analysis of time series coming from the monitoring of different clinical
variables during hemodialysis sessions, while the other one deals with the biological problem of inferring relationships between
genes from DNA microarray data. 相似文献