基于OLPP符号表示的时间序列分类算法

基于符号表示的时间序列分类方法是时间序列数据挖掘的关键技术。大部分现有方法主要针对单个时间序列样本进行符号表示,没有考虑样本间的近邻关系对符号化分类的影响。对此提出一种基于正交局部保持映射(Orthogonal Locality Preserving Projection,OLPP)的时间序列符号表示方法。使用OLPP对原始数据集进行维数约减,利用信息增益寻找维数约减后数据的最佳符号投影区间,采用多重系数分箱技术(Multiple Coefficient Binning,MCB)将降维后数据表示成符号序列。该算法在20个时间序列数据集上的分类效果好于已有方法,有效利用样本间的近邻关系能够显著提高算法的分类性能。     

基于滑动窗口的多变量时间序列异常数据的挖掘

与其它多变量时间序列(MTS)子序列显著不同的子序列，称为异常子序列(含异常数据)。该文提出了一种基于滑动窗口的MTS异常子序列的挖掘算法，使用扩展的Frobenius 范数来计算两个MTS子序列之间相似性，使用两阶段顺序查询来进行K-近邻查找，将不可能成为候选异常子序列的MTS子序列剪去，对上海证券交易所股票交易情况MTS数据集进行了异常子序列(含异常数据)挖掘，结果表明了算法的有效性。     

基于聚类的区间数时间序列的索引方法

在时间序列数据库中，大多数现有的相似性搜索方法都集中在如何提高算法的效率，而对于由不精确数据组成的时间序列如何进行相似性搜索，则研究比较少，不精确数据经常用区间数据来表示；通过识别区间数时间序列中的重要区间数，使得区间数时间序列的维数大幅度降低，该文针对由区间数组成的时间序列，提出了一种基于低分率聚类的索引方法。实验表明，该方法加快了区间数时间序列的查找过程，不会出现漏报现象。     

多变量时间序列例外模式的识别

多变量时间序列(MTS)在金融、医学、科学、工程等领域是非常普遍的.本文提出一种在MTS中识别异常模式的方法.采用自底向上的分割算法将MTS分割成互不重叠的子序列,使用扩展的Frobenius范数来计算2个MTS子序列之间的相似性,通过K-均值聚类将MTS子序列分为若干个类.根据异常模式的定义,从这若干个类中识别出异常模式.在2个实际数据集上进行实验,实验结果验证算法的有效性.     

多变量时间序列异常样本的识别

多变量时间序列(MTS)在金融、多媒体、医学等领域的应用是非常普遍的.与其它多变量时间序列样本显著不同的样本,我们称之为异常样本.本文提出一种基于局部稀疏系数的多变量时间序列异常样本的识别算法,使用扩展的Frobenius范数来计算2个MTS样本之间相似性.使用两阶段顺序查询来进行k-近邻查找,将不可能成为候选异常样本的MTS样本剪去.在2个实际数据集上进行实验,实验结果验证算法的有效性.     

基于2DSVD的多变量时间序列半监督分类

目前时间序列半监督分类研究主要集中在单变量时间序列,由于多变量时间序列（MTS）变量之间存在复杂关系,MTS的半监督分类研究比较少.针对这种情况,提出一种基于二维奇异值分解的MTS半监督分类方法,该方法首先计算行-行以及列-列协方差矩阵的特征向量,然后从MTS样本中提取特征矩阵;特征矩阵的行数以及列数不仅比原MTS样本低,而且还清晰地考虑了MTS样本的二维特性.在10个MTS数据集上的实验结果表明,该方法的分类性能显著地好于使用扩展Frobenius范数、中心序列、以及基于一维奇异值分解的半监督分类方法.     

基于PAA的时间序列早期分类

在时间序列数据挖掘领域,时间序列的早期分类越来越受到人们的重视,由于时间序列的长度(也称为维数)较大,在早期分类的实际应用中选择合适的维数约简方法非常重要,因此提出一种基于分段聚合近似(PAA)的时间序列早期分类方法。首先运用PAA对时间序列样本进行维数约简,然后在低维空间对样本进行早期分类,在43个时间序列数据集上的实验结果表明, 所提方法 在准确率、早期性、可靠性等方面优于已有方法。     

基于LDA符号表示的时间序列分类算法

近年来,基于符号表示的时间序列分类方法受到广泛关注,大部分现有方法对原始数据进行符号表示时,没有使用类别的标签信息。提出基于线性判别分析(LDA)的时间序列符号表示方法,考虑最大化类间区分度,使用LDA对原始数据集进行维数约减。再利用信息增益寻找降维后数据的符号投影区间,采用多重系数分箱(MCB)技术将维数约简后数据表示成符号序列。该方法在20个时间序列数据集上的分类效果好于已有方法,有监督的符号表示方法能有效提高分类性能。