基于自相关获取周期的时间序列模式挖掘算法

文章针对局域网通话流量监测数据,提出了一种新的基于时间序列自相关的关联规则挖掘方法。该方法通过对数据进行平滑处理、求自相关函数,从而确定信号的周期;通过动态阈值对时间序列进行压缩处理提取流量趋势序列,提出DS-MMFI算法完成序列模式的挖掘。结果表明此算法能够有效去除时间序列的波动,且序列模式挖掘结果符合实际通信特征。     

时间序列模式挖掘的算法研究

提出一种进行时间序列模式挖掘的算法，用于对大型数据库的海量数据分析，从中挖掘出超过用户给定支持度和置信度的时间序列，从而为用户的决策支持和趋势预测提供依据，算法分为在数据中对于频繁项集的发现和频繁序列挖掘两个部分，排除不可能达到支持度和置信度阈值的项集，缩小了挖掘中的数据扫描范围，提高了数据挖掘的效率。     

时间序列模式挖掘的算法研究

提出一种进行时间序列模式挖掘的算法 ,用于对大型数据库的海量数据分析 ,从中挖掘出超过用户给定支持度和置信度的时间序列 ,从而为用户的决策支持和趋势预测提供依据 .算法分为在数据中对于频繁项集的发现和频繁序列挖掘两个部分 ,排除不可能达到支持度和置信度阈值的项集 ,缩小了挖掘中的数据扫描范围 ,提高了数据挖掘的效率     

小波滤波在时间序列频繁模式挖掘中的应用

与布尔型数据的频繁模式挖掘相比,时间序列的频繁模式挖掘是一个相对复杂的问题,目前对此类问题还缺少深入的研究.通过对小波滤波的研究,提出了一种时间序列的频繁模式挖掘算法,Frequent-Wavelet算法.该算法的特点是采用多孔平滑滤波器组对时间序列做低通平滑处理,用得到的多个尺度序列表示原序列,较好地解决了时间序列的平凡相似问题和时间轴伸缩问题.实验表明,Frequent-Wavelet算法对于时间序列的频繁模式挖掘具有较好的效果.     

基于核密度估计的时间序列多模式发现

现有时间序列频繁模式或异常模式发现算法均以发现二者之一为目的,且多数采用硬距离阈值策略。为达到同时发现频繁模式和异常模式的目的,提出时间序列集频繁模式和异常模式发现算法FAP。FAP算法采用高斯核密度作为模式的支持度量,使用最小密度熵方法选择高斯核函数的带宽参数,进而避免了硬距离阈值策略的不足,实现了时间序列多模式发现。因为现实中的时间序列数据集规模较大且常含有噪声,所以FAP采用Haar小波变换压缩原始时间序列并过滤噪声。用来自UCR的数据集测试FAP算法,实验数据集的频繁模式与异常模式均能被正确发现。     

一种序列模式的概念及挖掘算法

介绍了一种时间序列模式的形式和概念,讨论了其相关的挖掘算法,将时间序列模式既用于具有时间关系的购买行为的分析,以揭示购买行为后面一种序列关系信息,又用于其他有时间关联的事件分析,挖掘算法由以下几部分构成：建立频繁物品集,进行数据处理和转换,并生成修选子序列,通过验证后,得到长度为2,3,…的序列集合,从中选出独立最大序列即为所求,通过实例指出了该算法和传统的Aprioriall算法的不同之处。结果表明,这种序列模式在网络通信、气象分析等领域具有广阔的应用前景。     

时间序列的模式距离

为了有效度量时间序列变化趋势的相似性,基于时间序列的分段线性表示,针对变化趋势,提出时间序列的模式模型表示.该模式模型表示不对测量尺度进行标准化处理,实现了模式距离的快速计算.序列模式距离克服了以点距离为基础的时间序列误匹配以及物理概念不明确等缺陷.对应于时间序列线性分段数目的不同,模式距离体现了多分辨特性,可以有效反应不同分析频率下时间序列的相似程度.     

TESP:带时间特征的序列模式挖掘算法

引入序列模式时间特征的概念,提出一个带时间约束的序列模式挖掘算法,称做TESP(Time-Enriched Sequential Pattern mining),算法在找出模式的同时,也给出序列模式的时间特征,并且允许用户在挖掘之前对模式的这些时间特征进行限制,提高了序列模式挖掘的灵活性和有用性。     

基于频繁模式树的最大频繁模式挖掘算法

为减少高昂的计算代价，用挖掘最大频繁模式集代替挖掘频繁模式集是近年来提出的一个重要研究策略。由最大频繁模式集可求出所有频繁模式，但数量上却可以小几个数量级，从而可大大减少计算代价。通过对最大频繁模式挖掘的问题描述，以及关键问题的分析，针对频繁模式树(FP-tree)和最大频繁模式的特点，给出了基于频繁模式树的最大频繁模式挖掘算法(MMFP)，采取先挖掘候选最大频繁模式再判断子集的方法，经示例分析表明该算法是有效的。提出的单路径修剪和项目修剪等修剪方法大大减少了侯选最大频繁模式的个数，对算法的性能提高起到了关键作用。     

混合周期自回归滑动平均时间序列的平稳性条件

为了描述周期时间序列中的偏倚和多峰现象,结合有限混合模型方法,将周期自回归滑动平均（Periodical Autoregression Moving Average——PARMA）模型推广,提出混合周期自回归滑动平均时间序列（MPARMA）模型,并讨论了MPARMA序列的一阶和二阶平稳性条件。     

基于多粒度周期模式的时序离群点检测算法

目前研究时间序列离群点检测方法大都没有考虑到数据本身的周期性,有的只能处理名词性属性. 针对实值性属性的时序数据,提出了多粒度周期模式的发现算法,该算法基于不同的时间间隔粒度来探测不同的周期模式, 并利用得到的周期模式来发现那些偏离周期模式的离群点. 该方法可有效避免将正常数据误报为异常值. 通过实验验证了该算法既可正确找出数据在不同粒度下的周期模式,又可有效探测时序数据中的异常值,并与不用周期模式发现的离群点检测算法比较,减少了对特殊事件的离群点误报.     

基于支持向量机的时序周波波形分类方法

针对电力系统输出的周波波形多的特点,提出一种基于小波分析和支持向量机（SVM）的时序周波波形分类方法,实现三相电压源型逆变器的故障分类.利用离散正交小波变换(DOWT)将周波序列变换成小波系数矩阵,利用奇异值分解(SVD)的方法获得系数矩阵的奇异值向量,作为周波序列的特征值.建立基于新的Huffman树来实现支持向量机策略的多类分类模型.将奇异值分解得到的特征向量应用到该分类模型,判断逆变器的故障类型.仿真结果表明,该模型的平均期望准确率比基于普通二叉树的支持向量机多类模型高3.65%,分类准确率达到99.6%.     

Characterization of chaotic and periodic dynamics in a time series

In order to characterize synthesizing periodic and chaotic component dynamics in a time series, classical chaotic system-logistic map and Duffing system was examined by time dependent exponent (TDE) of the direct dynamical test. The simulative calculation results with the logistic map and Duffing system showed that periods and chaotic dynamics can be readily characterized by computing a series of TDE curves. The method was also applied to study power short-term load time series as well as measured a time series. Their dynamic characteristics of chaotic component and period were conveniently found.     

Generic reconstruction technology based on RST for multivariate time series of complex process industries

In order to effectively analyse the multivariate time series data of complex process, a generic reconstruction technology based on reduction theory of rough sets was proposed. Firstly, the phase space of multivariate time series was originally reconstructed by a classical reconstruction technology. Then, the original decision-table of rough set theory was set up according to the embedding dimensions and time-delays of the original reconstruction phase space, and the rough set reduction was used to delete the redundant dimensions and irrelevant variables and to reconstruct the generic phase space. Finally, the input vectors for the prediction of multivariate time series were extracted according to generic reconstruction results to identify the parameters of prediction model. Verification results show that the developed reconstruction method leads to better generalization ability for the prediction model and it is feasible and worthwhile for application.     

对时间序列的ARIMA调整与回归分析——以民航客运统计为例

以2003-2009年我国民航客运统计数据为样本,提出了采用ARIMA模型对时间序列进行预处理之后进行回归分析的研究方法。实证分析表明,ARIMA模型与回归分析相结合为基于月度数据的时间序列定量分析提供了一个有效的工具。     

频谱分析方法在水文时间序列代表性分析中的应用

水文序列代表性分析是水文频率计算的一项重要工作,水文频率分析成果的质量在很大程度上取决于水文序列的代表性,目前关于水文序列代表性分析仍缺乏有效的方法,为此,作者将频谱分析法引入水文序列代表性分析,并根据频域中水文序列周期人个数,判断水文序列是否含有丰,平,枯或大,中,小各种特征量级的序列值,从而确定水文序列代表性的优劣,通过对某站年最高水位序列的频谱分析,判断该序列含有 一个完整的周期,由此推断该序列具有较高的代表性,即该序列的频率特性接近于总体分布,其频率计算设计成果具有较高的精度。