多尺度时间序列异常事件检测

给出了时间序列中异常事件的多尺度检测方法。该方法基于小波变换模极大值。异常事件可以在各个尺度上进行观察,这是通过沿小波变换模极大值线搜索完成的。并给出了算法实现和在时间序列中的应用。     

一种时间序列相似匹配新算法

为提高时间序列相似匹配的精度和效率，提出一种基于小波包变换的时间序列相似匹配算法．首先利用小波包可对信号进行精细分析的特点，对时间序列进行维数约简，用变换后的低频系数和部分高频均值系数作为特征向量表示原始序列；然后用多维索引结构R树存储这些特征向量，将欧几里德距离作为相似尺度，在此基础上实现了范围查询和k近邻查询，对电力负荷时间序列数据的仿真实验结果表明了算法的有效性。     

时间序列多尺度异常检测方法

针对时间序列异常模式检测大多采用线性模式分割方式的局限性,研究了在Haar小波变换多尺度特征的基础上,结合时间序列模式分割技术,提出一种时间序列多尺度异常检测方法。该方法首先通过小波变换压缩时间序列,把时间序列分解在不同的尺度上;再利用二次回归模型将分解后的时间序列分割成可变长度的模式序列,计算模式异常值;最后重构原时间序列,检测原时间序列中的异常模式。实验结果表明,该方法可以有效地检测异常,而且可以从不同分解级数的压缩时间序列中检测多尺度异常模式。     

时间序列可变尺度的时频特征求解及其分类

对于许多实际应用来说,获取多个不同窗口尺度上的模式,有助于发现时间序列的不同规律性特征.同时,通过对时间序列时域和频域两方面的分析,有助于挖掘更多的知识.提出了一种新的基于可变尺度的时域频域辨别性特征挖掘方法以及应用于分类的算法.主要采用了不同尺度窗口、符号聚合近似技术以及符号傅里叶近似技术等,以有效地发掘时间序列不同尺度时域频域模式;与此同时,使用统计学方法挖掘部分最具辨别性的特征用于时间序列分类,有效地降低了算法时间复杂度.在多个数据集上的对比实验结果,说明了该算法具有较高的准确率;在真实数据集上的解析,表明了该算法具有更强的可解释性.同时,该算法可扩展应用到多维时间序列分类问题中.     

基于神经网络的时间序列相似模式发现方法

基于无监督学习神经网络聚类原理,提出一种时间序列相似模式发现方法.通过快速离散余弦变换将序列映射到相应的特征模式空间,不但实现维数简约,而且克服传统神经网络不能处理过程序列的局限性.分析人工神经网络作为相似性度量模型的优越性,用"黑箱式"的网络权值代替传统的距离度量方法,并在此基础上实现相似模式的全部配对发现算法.对实际飞行数据仿真结果表明该方法的正确性,同时具有多尺度特性,可有效反映不同分辨率下序列间的相似程度.     

基于奇异事件特征的时间序列相似模式匹配

现有的时间序列特征提取方法多为单尺度方法,导致特征点的时间定位不准确,从而影响模式发现的质量。该文基于小波奇异检测理论,提出了一种多尺度时间序列特征提取方法,利用奇异特征将时间序列压缩为事件序列表示,定义了事件序列动态时间弯曲相似度量,给出了基于事件序列相似模式匹配算法。实验表明,该方法具有较高的匹配精度和较低的计算代价。     

基于傅立叶变换的一种时间序列相似搜索算法

该文提出了基于傅立叶变换的一种新的时间序列相似搜索算法。该算法利用高效的索引方法,达到快速的匹配,解决了多序列的子序列匹配问题。大量算例验证了该算法的通用性和有效性,它可以应用到求解各种时间序列相关的实际问题。     

基于MODWT在金融数据预测的应用

为了准确的把握股价的趋势走向,提出了一种基于极大重叠离散小波变换(MODWT)时间序列分析的股价预测方法(M-ARMA).该方法是对股价时间序列利用mallat算法对其进行极大重叠离散小波变换,使得整个序列分解成不同频率的序列,同时利用小波分析在时域和频域上都具有良好的局部化性质,多尺度分析功能,结合ARMA模型的预测方法,以较为准确地根据历史数据预测其将来短期的走势.实验表明,MODWT时间序列分析方法比传统的时间序列分析方法预测的精度更高.     

基于小波变换的序列间距离严格估算

对时间序列的相似性搜索在很多新的数据库应用中的地位变得越来越重要．使用小波变换方法缩减维度是解决高维时间序列查询的一个有效方法．给出小波变换在时间序列相似性查找中对距离上下界的一个严格估计，同时说明传统的算法只是下界的一部分．根据给出的小波变换的下界，相对于传统的算法，可以排除更多的不相似序列．根据给出的上界，可以直接判断出两条序列是否相似，进一步减少需要验证的原始序列的个数．实验结果表明，相对于传统的算法，提出的上下界可以大幅度提高过滤效果，减少查询时间．     

由小波变换模极大值重构信号的改进解析迭代算法

在分析了经典的重构算法的不足之后，以小波变换的多孔算法电路为依据，提出了一种改进的解析迭代新算法，由信号的各个分解尺度上的小波变换的模极大序列和最大分解尺度上的离散逼近信号，通过迭代直接重构信号。该算法不需要进行小波反变换，也不需要对最大分解尺度上的离散逼近信号进行重采样，而且投影算子是解析形式的，克服了非解析形式投影算子计算量大、程序复杂等缺点。数值仿真试验证明了该算法信号重构的精度较高，收敛速度较快。     

基于小波变换的时间序列相似模式匹配

提出了一种新的时序相似模式匹配方法，它采用小波分析的方法实现时间序列数据的降维，采用小波序列表示原序列，将小波序列组织为多维索引结构R-tree存储，在该索引结构基础上，基于一种表示相似性的距离函数，定义了范围查询和最近邻查询算法，实验结果证明这种方法性能优于传统的基于傅立叶变换的相似模式匹配方法。     

实时演进数据序列集的内在模式提取与行为预测

复杂系统数据序列集未来行为的预测是一个难点,利用数据挖掘实现预测是有潜力的技术途径.针对包含多元时间序列和非时间序列的实时演进数据集,整合序列分割、聚类、模式在线匹配等处理流程,提出了一种主题发现与联合决策相结合的预测方法.在整个方法构建中,将拟构造的主题发现式预测和联合决策预测融合进前期的序列分割与聚类中,采用多时间粒度、多跨度对序列进行对应分层与分割,聚合形成各层的标准模式集.再以标准模式集,依照预测策略,反向搜索具有高稳定性延展行为的复合模式作为主题模式集,从而实现基于在线模式匹配的行为预测.最后,采用分布式并行计算的架构实现整个处理算法.理论推导和实验数据分析证明,相比传统的时间序列预测方法准确度得到提高.     

基于隐马尔可夫模型边缘表示的多尺度边缘检测

基于增强图像特征空间的特性分析，提出一种新的图像边缘表示模型——隐马尔可夫模型，该模型把边缘作为一个可观测序列，认为它是人们根据感官知识(不可观测的状态量)所观察到的具有一定空间关系的像素集合；通过小波变换，得到多尺度增强图像；特包含在低分辨率图像边缘中的全局信息进行综合，作为高分辨率图像中隐马尔可夫边缘模型的训练数据，使用Viterbi算法完成高分辨率图像中边缘点的搜索，从而，使得多分辨率边缘检测对先验知识的依赖大大降低，同时降低了计算复杂度。边缘的隐马尔可夫模型表示也为多分辨率数据融合提供了一种有效的工具，实验表明该模型是合理的、可行的。     

基于多效用阈值的分布式高效用序列模式挖掘

针对序列模式的高效用模式挖掘过程中搜索空间大、计算复杂度高的问题,提出一种基于多效用阈值的分布式高效用序列模式挖掘算法。采用数组结构保存模式的效用信息,解决效用矩阵导致的内存消耗大的缺点。设计1-项集与2-项集的深度剪枝策略,深入地缩小候选模式的搜索空间,减少搜索时间成本与缓存成本。提出挖掘算法的分布式实现方案,通过并行处理进一步降低模式挖掘的时间。基于中等规模与大规模的序列数据集分别进行实验,实验结果表明,该算法有效减少了候选模式的数量,降低了挖掘的时间成本与存储成本,对于大数据集表现出较好的可扩展能力与稳定性。     

基于多尺度的时序数据部分周期模式增量挖掘

针对动态时序数据部分周期模式挖掘过程存在的计算复杂度过高和扩展性差等问题,提出了一种结合多尺度理论的时间序列部分周期模式挖掘算法（MSI-PPPGrowth）,所提算法充分利用了时序数据客观存在的时间多尺度特性,将多尺度理论引入时序数据的部分周期模式挖掘过程。首先,将尺度划分后的原始数据以及增量时序数据作为更细粒度的基准尺度数据集进行独立挖掘;然后,利用不同尺度数据间的相关性实现尺度转换,以间接获取动态更新后的数据集对应的全局频繁模式,从而避免了原始数据集的重复扫描和树结构的不断调整。其中,基于克里金法并考虑时序周期性设计了一个新的频繁缺失计数估计模型（PJK-EstimateCount）,以有效估计在尺度转换过程中的缺失项支持度计数。实验结果表明,MSI-PPPGrowth具有良好的可扩展性和实时性,尤其是对于稠密数据集,其性能优势更为突出。     

时间序列相似性定义延拓

时间序列相似性定义没有一个明确的、统一的表述方法,造成了研究上的困难。将研究序列分解为多个与参照序列等维的子序列,把问题转化为研究子序列与参照序列的相似性。选择满足保范同构的线性变换算子对子序列和参照序列进行变换,以降低直接计算的复杂度。利用集合理论对相似关系进行了宏观描述,用子序列与参照序列变换前后向量差的范数定义序列相似性度量函数,将相似性度量进行了统一。研究结果为基于傅立叶变换和小波变换研究时间序列的相似性提供了理论依据。     

时态信息系统转换方法研究

利用粗糙集理论来进行时间序列数据分析,关键是将时态信息系统转化为适用粗糙集方法处理的传统信息系统。目前,已有的将时态信息系统转化为信息系统回溯的方法,当回溯时间片很大时,转换后的信息系统产生大量的属性,不利于进一步利用粗糙集进行约简及规则获取,具有一定的局限性。文中提出了一种基于时间粒度的转换方法,运用该方法进行系统转换后的信息系统中产生较少的属性,特别适用于处理大规模数据集。     

运动序列的时空结构特征表示模型

运动序列是一种与运动信号相关的多维时间序列,各个维度序列之间具有高耦合性的特点。现有的多维序列表征方法大多基于维度间相互独立的假设或缺乏可解释性,为此,提出一种适用于运动序列的时空结构特征表示模型及其两阶段构造方法。首先,基于空间变化事件的转换方法,将多维时间序列变换成一维事件序列,以保存序列中的空间结构特性。接着,定义了一种时空结构特征的无监督挖掘算法。基于新定义的表示度度量,该算法从事件序列中提取一组具有代表性的低冗余变长事件元组为时空结构特征。在多个人类行为识别数据集上的实验结果表明,与现有多维时间序列表示方法相比,新模型的特征集更具代表性,在运动序列模式识别领域可以有效提升分类精度。     

基于重要边缘点的时间序列异常模式检测算法

在分析边缘算子的思想和现有时间序列模式表示方法基础上,将边缘点方法和重要点方法相结合,提出了基于重要边缘点的时间序列模式表示算法。算法按各观测点的边缘化程度,提取重要的边缘点将时间序列分成多个子线段,通过分析直线段之间的相似性,发现异常的序列模式。从理论和实验两方面对算法进行了分析和验证,结果表明,算法复杂度较低,模式表示误差小,能够满足大规模时间序列数据模式表示的要求。     

一种基于关键点的时间序列线性表示方法

时间序列数据具有规模大、维度高等特点,直接在原始序列上进行数据挖掘,其计算复杂度高且易受噪声影响,因此对原始时间序列进行预处理是必不可少的,而常用的线性表示方法大多存在对分段点的筛选准确度不高的问题。基于时间序列的变化特征,提出了一种基于时间序列关键点的线性表示方法。该方法综合考虑了时间跨度和振幅变化,能高效提取时间序列中的关键点,并防止过度除噪,实现简单。实验表明,该方法对不同领域的数据具有良好的普适性。