基于时间序列的相似子模式发现算法

基于时间序列的数据挖掘时,一般需要对时间序列离散化,再聚类成不同的子模式。已有的方法常忽略时间序列本身的位置和整体特征,并且计算量大。针对其不足,文中提出一种检索时间序列分段关键点的算法,以关键点为边界分段,使用形态距离测度和快速剪除的算法,高效简便地检索出相似子模式。     

基于时间序列的相似子模式发现算法

基于时问序列的数据挖掘时，一般需要对时间序列离散化，再聚类成不同的子模式。已有的方法常忽略时间序列本身的位置和整体特征，并且计算量大。针对其不足，文中提出一种检索时间序列分段关键点的算法，以关键点为边界分段，使用形态距离测度和快速剪除的算法，高效简便地检索出相似子模式。     

基于分段线性方法的瓦斯浓度时间序列模式表示

指出直接采用原始瓦斯浓度时间序列进行短期浓度预测、相似性查询、时间序列分类和聚类等数据挖掘工作不但效率低下,而且会影响时间序列数据挖掘的准确性和可靠性;提出了一种采用分段线性方法的时间序列模式表示方法。采用分段线性表示方法对瓦斯浓度时间序列进行模式表示后可换来较小的存储和计算代价,只保留了时间序列的主要形态,去除了细节干扰,更能反映出时间序列的自身特征,有利于提高数据挖掘的效率和准确性。     

一种基于信息熵的时间序列分段线性表示方法

针对部分时间序列具有高维、大数据量及数据更新速度较快的特点, 导致在原始时间序列上难以进行数据挖掘的问题, 提出一种基于信息熵的时间序列分段线性表示方法——PLR_IE。该算法利用信息熵作为评判重要点数量的性能指标, 从序列中提取重要分段点的数量分布情况, 利用重要点组成的序列重新拟合原始时间序列, 为下一步数据挖掘提供基础。实验结果表明, 该方法能高效地提取出序列主要特征、拟合原始序列。     

基于商空间的气象时间序列数据挖掘研究

论文从一种新的角度,针对气象时间序列的特点,在商空间粒度计算理论框架下,采用多种粒度,从不同的层次分析复杂的气象数据信息,利用商空间的合成技术,和多侧面递进算法进行综合信息处理。并提出了一种灰色模型GM(1,1)与构造性机器学习方法(交叉覆盖算法)结合的模型对气象时间序列进行数据挖掘(产量预测)。最后,通过该模型在真实数据上的实验(冬小麦产量预测),取得了令人满意的结果。     

基于形态特征的时间序列相似性搜索算法

时间序列相似性搜索是数据挖掘的一个重要基础性研究内容,它的相似性定义主要是基于欧氏距离,这类算法的缺点:如果时间序列产生偏移,会产生错误的结果.基于形态特征的时间序列相似性快速搜索算法,以界标为分界点,利用界标提取了时间序列的特征,将时序分为若干子序列,并对每个子序列进行线性化,将线性化后的子序列进行预处理;同样将查询序列进行基于界标的分段算法,然后利用一种改进的快速相似性搜索算法,可以快速地搜索到与查询序列相似的序列.?＃ 箅例表明了算法的有效性.     

基于形态模式的时间序列相似性度量算法

时间序列的特征表示与相似性度量是时间序列数据挖掘的重要基础。针对现有的序列表示方法难以具体反映序列的形态变化趋势,导致相似度量结果不精确的问题,提出一种新的基于形态模式的相似性度量算法。该算法在分段线性表示的基础上,根据序列在不同时段的斜率变化情况,划分序列的分段形态模式并用特殊的字符进行表示,把时间序列转换成字符串序列,利用最长公共子序列方法计算字符串序列的距离作为时间序列之间的距离。最后通过实验验证该方法的有效性。理论分析和实验证明该方法对数据点的值不敏感,能够减少噪声的干扰,而且具有较高的准确性。     

一种基于重要点的时间序列分段算法

基于重要点的时间序列线性分段算法能在较好地保留时间序列的全局特征的基础上达到较好的拟合精度。但传统的基于重要点的时间序列分段算法需要指定误差阈值等参数进行分段,这些参数与原始数据相关,用户不方便设定,而且效率和拟合效果有待于进一步提高。为了解决这一问题,提出一种基于时间序列重要点的分段算法——PLR_TSIP,该方法首先综合考虑到了整体拟合误差的大小和序列长度,接着针对优先级较高的分段进行预分段处理以期找到最优的分段;最后在分段时考虑到了分段中最大值点和最小值点的同异向关系,可以一次进行多个重要点的划分。通过多个数据集的实验分析对比,与传统的分段算法相比,减小了拟合误差,取得了更好的拟合效果;与其他重要点分段算法相比,在提高拟合效果的同时,较大地提高了分段效率。     

一种基于互模糊函数分段相干累加的TDOA/FDOA参数快速估计算法

针对传统互模糊函数算法对TDOA/FDOA参数估算运算量大的问题,提出了一种分段近似并相干累加的互模糊函数计算方法。该方法利用“相位校正项”对互模糊函数进行分段处理,并对分段后的互模糊函数采取近似,从而实现快速计算。相比传统的互模糊函数计算过程,该方法从分段和近似两个方面对计算速度进行提升。文章在相同采样条件下对传统算法和所提出快速算法进行了对比,仿真结果表明该算法能较大程度节省计算量,减少计算时间超过十倍。     

基于符号化表示的时间序列频繁子序列挖掘

提出一种新的基于符号化表示的时间序列频繁子序列的挖掘算法。利用基于PAA的分段线性表示法进行降维,通过在高斯分布下设置断点,实现时间序列符号化表示,利用投影数据库挖掘频繁子序列。该算法简单、新颖,运行快速,简化了子序列支持数的计算。     

Estimation of the sensible heat flux and the temperature structure parameter by sodar and sonic anemometer: an intercomparison

In the summer 1990, a field campaign was conducted to evaluate the capabilities of a commercially available sodar and to determine the sensible heat flux and the temperature structure parameter. A sonic anemometer-thermometer mounted 100 m above ground level on a 200 m high meteorological tower and the sodar were operated simultaneously providing 05hr mean values. The calculation of the heat flux is based on the eddy correlation method with sonic data as well as on the standard deviation of the vertical wind speed and the backscattered amplitude measured by the sodar. The temperature structure parameter is estimated from sonic data and the sodar backscattered amplitude using similarity theory. The intercomparison of the data of sonic and sodar is based on time series and a linear regression and correlation analysis. Our investigation shows that a sodar is capable of estimating heal flux and temperature structure parameter with satisfactory accuracy under convective conditions     

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。     

基于导数序列的时间序列同构关系发现

时间序列子序列匹配作为时间序列检索、聚类、分类、异常监测等挖掘任务的基础被广泛研究。但传统的时间序列子序列匹配都是对精确相同或近似相同的模式进行匹配,为此定义了一种全新的具有相似发展趋势的序列模式——时间序列同构关系,经过数学推导给出了时间序列同构关系判定的法则,并基于此提出了同构关系时间序列片段发现的算法。该算法首先对原始时间序列进行预处理,然后分段拟合后对各时间序列分段进行同构关系判定。针对现实背景数据难以满足理论约束的问题,通过定义一个同构关系容忍度参数使实际时间序列数据的同构关系挖掘成为可能。实验结果表明,该算法能有效挖掘出满足同构关系的时间序列片段。     

基于多参数优化的多机器人图案构成的分配算法

在不同应用场景下多机器人系统的图案构成受到越来越多的关注,然而现有方法不能有效地优化在障碍物环境中的图案在线自主构成.为解决这一问题,提出一种新的基于目标匹配和路径优化的实时在线的优化算法.首先,以机器人与虚拟期望图案的距离为目标函数,建立一个多参数的图案构成模型,进而在一定的约束条件下求解得到最优的期望图案参数;其次,建立迭代控制器,使机器人在向目标点移动的过程中,可以实时在线地进行机器人与目标点的分配;然后,采用最佳避碰速度算法使机器人无碰撞地到达期望图案的目标点,完成图案构成;最后,通过在MATLAB和V-REP中的仿真实验,验证所提出方法的正确性和有效性.     

CN2 model to calculate the micrometeorological influences on the refractive index structure parameter

This paper presents the CN2 model for calculating the micrometeorological influences on the refractive index structure parameter. The CN2 model is a semi-empirical algorithm developed by the U.S. Army Research Laboratory to provide realistic values for the refractive index structure parameter over land given two vertical levels of conventional wind speed, temperature, and humidity data as input. The CN2 model is based on the structure function formulations of Tatarski. Equations for the real index of refraction are expressed in terms of temperature, pressure, and moisture (preferably the conserved elements potential temperature and specific humidity). Calculations of micrometeorological profile structure are carried out via Monin–Obukhov theory for the surface layer. Model results can be derived for unstable, stable, and near-neutral atmospheric conditions. The CN2 model algorithm is validated in comparison to optical scintillometer data collected at 2 m above ground level over a 450 m path. The paper reported here contains technical and user’s guide information on the CN2 model.     

一种基于重要点的时间序列分割方法

分段线性表示是时间序列降维的有效方法,其关键在于分割点的确定。在时间序列分段线性表示的基础上,提出一种新的基于重要点的时间序列分割方法。与一般方法比较相邻三点关系不同的是,将时间窗扩展为前一重要点、待考察点和一个指定时间窗组成的区间,再通过比较数据点前后模式变化来确定重要点。通过与其他7种分割方法进行实验比较,证明该方法适应能力强,不但分割结果总体质量高,在压缩率相同时具有更小的拟合误差,而且能够有效滤除噪声,发现时间序列的模式特征。     

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。     

基于符号化聚合近似的时间序列相似性复合度量方法

基于关键点的符号化聚合近似(SAX)改进算法(KP_SAX)在SAX的基础上利用关键点对时间序列进行点距离度量,能更有效地计算时间序列的相似性,但对时间序列的模式信息体现不足,仍不能合理地度量时间序列的相似性。针对SAX与KP_SAX存在的缺陷,提出了一种基于SAX的时间序列相似性复合度量方法。综合了点距离和模式距离两种度量,先利用关键点将分段累积近似(PAA)法平均分段进一步细分成各个子分段;再用一个包含此两种距离信息的三元组表示每个子分段;最后利用定义的复合距离度量公式计算时间序列间的相似性,计算结果能更有效地反映时间序列间的差异。实验结果显示,改进方法的时间效率比KP_SAX算法仅降低了0.96%,而在时间序列区分度性能上优于KP_SAX算法和SAX算法。     

降水时空关联特征可视分析

目的 降水是影响全球气候变化和系统环境的重要因素,面向降水数据开展时空关联分析,对于区域气候特征探索及异常情况监测具有重要的意义。然而,降水时空关联特征的分析是一个复杂且耗时的过程,与气象站点的空间分布以及降水的时间序列密切相关。本文综合考虑降水的时空变化特征,研究和设计面向降水数据时空关联特征分析的可视化系统工具。方法 利用地图和矩阵图呈现降水数据的空间分布和周期变化特征,设计径向盒须图对降水数据的时空变化异常特征进行捕获;通过局部Moran''s I指数的计算和热力图的呈现表达降水的空间相关性,支持用户交互式地探索空间相关性的时序变化特征;利用普通克里金插值模型获得降水空间插值图,并对插值结果的准确性进行可视化评估。结果 以中国安徽省1971-2014年气象观测站长时间序列月降水数据集为例进行分析,实验结果证明本研究可视化交互系统能够直观高效地探索区域降水长时间序列时空变化特征和极端降水情况;有效探究区域降水空间分布模式、不同站点降水信息间空间依赖性和异质性,并快速发现降水奇异点;分析区域不同时间尺度降水气候特征空间变化。结论 系统工具集成便捷的交互模式,支持用户探索式地分析降水数据的时空关联特征,进而有效地探究区域气候变化规律和特征分布关系。基于真实降水数据的实验结果以及降水领域专家的反馈,进一步验证了本文系统工具的有效性和实用性。     

基于特征点界标过滤的时间序列模式匹配方法

动态时间弯曲距离能度量不等长的时间序列、且具有较高的匹配精度,因此广泛应用在时间序列模式匹配中。但其计算复杂度较高,制约了在大规模数据集上的应用。为了实现时间序列模式度量结果和计算复杂度的平衡,提出一种基于特征点界标过滤的时间序列模式匹配方法。首先,提出一种特征点界标过滤的特征提取方法,保留时间序列主要特征,压缩时间维度;然后,利用动态时间弯曲距离对特征序列进行相似性度量;最后,在应用数据集上对所提方法进行有效性验证。实验结果表明,所提方法在保证高精度的前提下,能有效降低计算复杂度。