一种时间序列动态聚类的算法

针对时间序列传统静态聚类问题,提出了对时间序列进行动态聚类的方法。该方法首先提取时间序列的关键点集合,根据改进的FCM算法找到动态特征明显的时间序列,再利用提出的动态聚类算法确定此类时间序列在不同时间段的所属类别,在改进的FCM算法中采用兰氏距离可以使其对奇异值不敏感。实验结果反映出动态特征明显的时间序列类别随时间演化的特性,表明了方法的可行性和有效性。与已有算法相比,该方法揭示了时间序列的部分动态特征。该方法还可以运用于研究数据挖掘的其他问题。     

面向数据挖掘的时间序列聚类方法研究

一、引言自然界以及我们社会生活中的各种事物都在运动、变化和发展着,将它们按时间顺序记录下来,我们就可以得到各种各样的“时间序列”数据。对时间序列进行分析,可以揭示事物运动、变化和发展的内在规律,对于人们正确认识事物并据此作出科学的决策具有重要的现实意义。     

一种新的基于隐Markov模型的分层时间序列聚类算法

针对传统的基于隐Markov模型(HMM)的聚类算法在时间序列聚类的不足,提出了一种新的基于HMM的分层时间序列聚类算法HBHCTS,旨在提高聚类质量,同时对聚类结果给出类的表示. HBHCTS算法应用HMM对时间序列进行建模,并按照“最相似”的原则得到序列所对应的初始模型集,进而对这些初始模型合并更新及迭代得到聚类结果.实验中主要研究了聚类正确率与序列长度及模型距离的关系,结果表明HBHCTS算法比传统的基于HMM的聚类算法准确性高.     

一种时间序列数据的动态密度聚类算法

传统的聚类算法多是针对某个时间片上的静态数据集合进行的聚类分析,但事实上大部分数据存在时间序列上的连续动态演变过程.本文对时间序列数据及其类结构的演变过程进行了分析,发现在一定条件下相邻时间片间的数据集间存在较强的关联性,并且类簇结构间则存在一定的继承性.故本文得出新的思想,在前一时间片聚类结果的基础上,通过对部分变化数据的计算和类簇结构的局部调整就有望获得对后一时间片上数据进行完全聚类相同的效果,且运算量会显著下降.基于此思想提出了一种时间序列数据的动态密度聚类算法(DDCA/TSD).仿真实验中使用6种数据集对所提出算法进行了实验验证.结果显示DDCA/TSD在保证聚类准确性的基础上相对传统聚类算法有明显的时间效率提升,并能更有效地发现数据点的属性变化及类簇结构的演变过程.     

基于异时间窗划分的时间序列聚类

针对相同时间窗对时间序列进行子序列划分的缺点,提出一种异时间窗的子序列划分方法。为解决划分得到的子序列长度不同,而使用动态时间弯曲算法进行子序列相似性度量的计算速度慢的问题,给出一种不规则时间序列距离度量算法。对异时间窗的子序列划分方法和不规则时间序列距离度量算法进行了实验,结果证明了二者的优越性。     

一种基于Normal矩阵的时间序列聚类方法*

提出了一种基于Normal矩阵的时间序列聚类方法。该算法首先对时间序列数据进行向量形式转换,计算出各个时间序列间的相似度并构建复杂网络,然后利用基于Normal矩阵的方法进行复杂网络社团划分,同一类的时间序列被划分到一个社团,即实现对时间序列数据的聚类。为了验证该方法的可行性和有效性,将其应用于股票时间序列数据聚类分析中,并在两个实际的数据集上与其他方法相比较,取得了较好的实验结果。     

一种基于DTW聚类的水文时间序列相似性挖掘方法

水文时间序列相似性挖掘是水文时间序列挖掘的重要方面,对洪水预报、防洪调度等具有重要意义。针对水文数据的特点,提出了一种基于DTW聚类的水文时间序列相似性挖掘方法。该方法先对数据进行小波去噪、特征点分段以及语义划分,再基于DTW距离对划分后的子序列做层次聚类并符号化;然后根据符号序列间的编辑距离筛选候选集;最后通过序列间的DTW距离进行精确匹配,获取相似水文时间序列。以滁河六合站的日水位数据进行实验,结果表明,所提方法能够有效地缩小候选集,提高查找语义相似的水文时间序列的效率。     

基于GHSOM网络的时间序列聚类方法

提出了一种基于增长型分层自组织映射(GHSOM)的时间序列聚类方法，给出了该方法的基本原理和具体算法步骤，对实测时间序列数据进行了聚类验证和分析。研究结果表明，增长型分层自组织映射能根据对象特征无监督地对时间序列进行正确聚类，由于具有动态增长及分层特性，能分析对象内在的层次结构并实现由粗到精的聚类，可以扩展应用于大型乃至巨量时间序列数据库的模式发现。     

基于新的鲁棒相似性度量的时间序列聚类

针对存在异常值的时间序列数据,提出了一种基于相关系数鲁棒估计的时间序列间的鲁棒广义互相关度量(RGCC).首先,引入一种鲁棒相关系数代替Pearson相关系数来计算时间序列数据间的协方差矩阵;其次,用新的协方差矩阵的行列式构造两个时间序列间的相似性度量——RGCC;最后,基于该度量计算出序列间的距离矩阵,将其作为聚类算...     

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。     

Identification environment and robust forecasting for nonlinear time series

In this paper, the methods of time series for nonlinearity are briefly surveyed, with particular attention paid to a new test design based on a neural network specification. The proposed integrated expert system contains two main components: an identification environment and a robust forecasting design. The identification environment can be viewed as a integrated dynamic design in which cognitive capabilities arise as a direct consequence of their self-organizational properties. The integrated framework used for discussing the similarities and differences in the nonlinear time series behavior is presented. Moreover, its performance in prediction proves to be superior than the former work. For the investigation of robust forecasting, we perform a simulation study to demonstrate the applicability and the forecasting performance.     

The asymptotic properties of estimates of the parameters of nonlinear time series

Asymptotic properties of nonlinear time series parameter estimators constructed on trajectories of stochastic systems under stationary and transient conditions are studied with the use of the least-squares method. The investigation method is based on the study of asymptotic properties of extremal sets of random functions. Translated from Kibernetika i Sistemnyi Analiz, No. 2, pp. 62–72, March–April, 2000     

非线性多维时间序列模式分类的新方法

多变量非线性时间序列的模式分类是在工业过程领域广泛存在的问题,结合流形学习和支持向量分类机的特点,提出了解决该类问题的一个新方法。该方法应用核化流形学习算法K-Isomap,将高维非线性时间序列映射到低维特征空间实现维数约减,在低维特征空间中采用支持向量机设计分类器实现非线性时间序列的模式分类,该方法充分利用核化流形学习的特点,得到了较好的模型性能。应用该方法对Tennessee Eastman（TE）过程的故障分类进行了实验分析,结果表明该方法的有效性。     

非线性时间序列的符号化分析方法研究

符号时间序列分析方法是近年来新兴的一种数据处理方法,已经被广泛的应用于各个领域．采用符号化分析方法能够从动力系统中快速有效地提取有用定量信息,计算简单快捷,而且能够有效的抑制噪声．本文采用三种统计量用于表征符号化时间序列的特性,用Henon方程作为算例验证了该方法的可靠性,并且将此方法应用于垂直上升管中油水两相流流型分析,结果表明从符号时间序列计算的统计量对油水两相流过渡流型变化敏感．     

Bispectral-based methods for clustering time series

Distinguishing among linear and nonlinear time series or between nonlinear time series generated by different underlying processes is challenging, as second-order properties are generally insufficient for the task. Different nonlinear processes have different nonconstant bispectral signatures, whereas the bispectral density function of a Gaussian or linear time series is constant. Based on this, we propose a procedure to distinguish among various nonlinear time series and between nonlinear and linear time series through application of a hierarchical clustering algorithm based on distance measures computed from the square modulus of the estimated normalized bispectra. We find that clustering using a distance measure computed by averaging the ratio of normalized bispectral periodogram ordinates over the intersection of the principle domain of each pair of time series provides good performance, subject to trimming of extreme bispectral values prior to taking the ratios. Additionally, we show through simulation studies that the distance procedure performs better than a significance test that we derive. Moreover, it is robust with respect to the choice of smoothing parameter in estimating the bispectrum. As an example, we apply the method to a set of time series of intensities of gamma-ray bursts, some of which exhibit nonlinear behavior; this enables us to identify gamma-ray bursts that may be emanating from the same type of astral event.     

非线性时间序列预报的隐多分辨ARMA模型

研究一类用于非线性时间序列预报的隐多分辨自回归滑动平均(ARMA)模型,该模型以ARMA模型为初始细水平模型(即隐多分辨模型的基本块)．证明了模型的建模精度由水平问的方差决定．研究了新模型的自相关函数结构,给出了参数估计的Bayes方法和Metropolis-Hasting算法．进一步提出了一种可以直接用于不同基本块的隐多分辨模型的非线性时间序列预报方法,证明了其比其他的线性预报方法和隐多分辨模型预报方法降低了预报误差．最后通过数值模拟和实例验证了模型和预报方法,并和其他模型进行比较,结果表明新提出模型和预报方法能够更好地描述数据的特征,提高预报的精度．     

一个高效的多变量时间序列聚类算法

时间序列聚类分析是数据挖掘研究的一个重要内容。已有的聚类算法大多采用k均值对低维数据进行聚类,不能对高维多变量时间序列（MTS）数据进行有效聚类。提出一种高效的多变量时间序列聚类算法PCA-CLUSTER,首先利用主成分分析对MTS数据降维;选取MTS数据的主成分序列进行K近邻聚类分析。理论分析和实验结果表明算法可以有效解决MTS数据聚类问题。     

基于组合模型的非线性时间序列预测算法

为解决复杂系统中非线性时间序列预测模型构建效率低、预测精度低的问题,提出基于组合模型的HURST-EMD预测算法.采用EMD算法将非线性时间序列分解为代表原始序列特征的各个IMF,然后引入赫斯特(Hurst)指数将同类的IMF整合为新的分量,最后选用LS-SVR-ARIMA模型进行组合预测.在该算法中,设计了序列分类整合等过程,优化了建模的计算量,构建了高效精准的预测模型.为验证模型的有效性,采用上证指数公共数据集和真实交通流数据进行检验,实验结果表明,改进的基于组合模型的HURST-EMD预测算法在提高预测效率的同时具有更好的预测精度.     

一种基于DTW的符号化时间序列聚类算法

提出了一种基于DTW的符号化时间序列聚类算法,对降维后得到的不等长符号时间序列进行聚类。该算法首先对时间序列进行降维处理,提取时间序列的关键点,并对其进行符号化;其次利用DTW方法进行相似度计算;最后利用Normal矩阵和FCM方法进行聚类分析。实验结果表明,将DTW方法应用在关键点提取之后的符号化时间序列上,聚类结果的准确率有较好大提高。