多因素时间序列Skyline的快速查询算法

在给出多因素时间序列Skyline(MFTS)形式化定义的基础上,提出一种MFTS快速查询算法,获得并存储各时间点上的多因素值,计算每个最小时间区间的准MFTS,从而得到指定区间的MFTS。实验分析结果表明,在时间序列重合较少的情况下,该算法具有较好的查询效率。     

一种使用简化预排序的k-支配Skyline查询算法

近年来,Skyline查询在多目标决策、数据挖掘、数据库可视化等方面得到广泛应用.然而在高维空间环境下,skyline查询因为返回的结果集过大而不能提供有用的信息.因此,学术界提出了七-支配skyline查询的概念.它通过弱化数据点之间的支配关系,使数据点间更容易产生支配关系,从而使结果集的大小保持在一个合适的范围内.现有七-支配skyline查询算法分为建立索引和不建立索引两种类型.其中不建立索引的算法在高维空间,反相关数据和渐近输出等方面表现比较差,而基于索引的算法花费大量时间去建立索引,整体性能都不高.本文提出一种基于简化预排序的七-支配skyline查询算法(SPA),实现用O(n)的时间复杂度对数据进行简化预排序.理论论证和实验数据都显示了SPA算法远比国内外现有的最好算法更加高效.     

可伸缩的道路网络多连续k近邻查询处理

针对基于道路网络的多用户连续k近邻查询处理,提出了一种可伸缩的多用户连续查询处理(scalable processing of multiple continuous queries,SPMCQ)框架.SPMCQ框架采用流水线处理策略,将连续k近邻查询执行分解为可同时作业的预处理、查询执行和结果分发3个阶段,利用多线程技术提高查询处理的并行性.基于SPMCO框架,分别利用基于内存的哈希表和线性链表结构对移动对象位置和道路网络有向图模型进行存储和管理,提出了多连续k近邻查询处理SCkNN算法.实验结果表明,在处理多用户连续k近邻查询时,该算法性能优于目前的道路网络连续k近邻查询处理算法.     

一种高效的多变量时间序列相似查询算法

为了高效地执行多变量时间序列（MTS）相似查询,提出一种基于距离的索引结构（Dbis）相似查询算法。采用主成分分析方法对MTS数据进行降维处理;聚类MTS主成分序列,选择每类质心作为参考点;依据参考点将每类变换到一维空间,这样可以利用B+ 树结构进行索引查询;MTS序列比较相似采用的是扩展的Frobenius范数（Eros）。通过对股票数据集实验验证了Dbis算法的高效性。     

反向时间依赖路网上移动对象的启发式k近邻查询算法

针对实际应用中用户在真实路网上进行移动服务(如出租车,救护车,外卖等)的查询需求,提出反向时间依赖路网上移动对象的k近邻查询问题.在分析现有查询算法的不足后,建立了反向时间依赖路网和基于标记点的最短路径树.并在此基础上,给出了一种针对反向时间依赖路网上移动对象的k近邻查询算法TDSPT-kNN.通过采用基于最短路径树的...     

基于最短路径的道路网络k近邻查询处理

针对基于空间道路网络的k近部查询处理,提出了分布式移动对象更新策略以有效减少服务器计算代价,利用基于内存的空间道路网络部接矩阵、最短路径矩阵结构和移动对象哈希表索引分别对道路网络无向图与移动对象进行存储管理。提出了基于最短路径度量的网络扩展搜索(SPNE)算法,以通过裁剪网络搜索空间来减少k近部查询搜索代价。实验表明,SPNE算法的性能优于传统的NE和MKNN等k近邻查询处理算法。     

时间序列信号多尺度FCM聚类方法

目的：探讨基因海量时间序列信号的归类方法。方法：将小波多尺度分析引入,在多个尺度上进行聚类,并结合FCM得到新的聚类算法。结果：应用新的聚类方法,对小脑组织的一组基因芯片时间序列信号进行分析,通过分类结果对照发现,各类中的大多数基因生物学意义接近。结论：此改进的聚类方法是有效的,是一种新的思路。     

时间序列信号多脚CM聚类方法

目的:探讨基因海量时间序列信号的归类方法.方法:将小波多尺度分析引入,在多个尺度上进行聚类,并结合FCM得到新的聚类算法.结果:应用新的聚类方法,对小脑组织的一组基因芯片时间序列信号进行分析,通过分类结果对照发现,各类中的大多数基因生物学意义接近.结论:此改进的聚类方法是有效的,是一种新的思路.     

基于多分支RNN快速学习算法的混沌时间序列预测

针对传统递归神经网络中出现的网络结构与计算复杂性,提出了使用多分支递归神经网络学习算法,并将其应用到混沌时间序列预测领域。首先缩减了部分冗余的分支,只保留了节点与自身之间以及节点与代表以后时刻的节点之间的分支;然后使用规则导数代替惯用的一般偏导数,有助于同时反映权值对目标函数的直接影响和间接影响;最后使学习率根据学习情况进行动态调整,有助于加快学习算法的收敛速度。仿真实验表明,当参数的选取合理时,多分支递归神经网络能够达到较高的性能。     

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.     

Dominant Skyline Query Processing over Multiple Time Series

Multiple time series (MTS), which describes an object in multi-dimensions, is based on single time series and has been proved to be useful. In this paper, a new analytical method called α/β-Dominant-Skyline on MTS and a formal definition of the α/β-dominant skyline MTS are given. Also, three algorithms, called NL, BC and MFB, are proposed to address the α/β-dominant skyline queries over MTS. Finally experimental results on both synthetic and real data verify the correctness and e?ectiveness of the proposed method and algorithms.     

一种基于多时间粒度的实时客流查询优化算法

随时间实时变化的客流数据属于时间序列数据,本文根据客流数据的接收频率,应用关系模型实现客流数据的存储建模;为了减弱数据采集频率对实时客流查询效率的影响,建立多时间粒度的客流视图,可提高实时客流查询的计算效率.     

高速流环境下近似连续k代表轮廓查询算法

k代表轮廓查询是从传统轮廓查询中衍生出来的一类查询.给定多维数据集合D,轮廓查询从D中找到所有不被其他对象支配的对象,将其返回给用户,便于用户结合自身偏好选择高质量对象.然而,轮廓对象规模通常较大,用户需要从大量数据中进行选择,导致选择速度和质量无法得到保证.与传统轮廓查询相比,k代表轮廓查询从所有轮廓对象中选择“代表性”最强的k个对象返回给用户,有效地解决了传统轮廓查询存在的这一问题.给定滑动窗口W和连续查询q,q监听窗口中的数据.当窗口滑动时,查询q返回窗口中,组合支配面积最大的k个对象.现有算法的核心思想是:实时监测当前窗口中的轮廓对象集合,当轮廓对象集合更新时,算法更新k代表轮廓.然而,实时监测窗口中,轮廓集合的计算代价通常较大.此外,当轮廓集合规模较大时,从中选择k代表轮廓的计算代价是同样巨大的,导致已有算法无法在高速流环境下使用.针对上述问题,提出了ρ-近似k代表轮廓查询.为了支持该查询,提出了查询处理框架PAKRS(predict-basedapproximatekrepresentativeskyline).首先,PAKRS利用高速流的特性对当前窗口进行划分,根据划分结...     

一种基于时间序列窗口查询的新索引方法

文章介绍了一种关于时间序列的窗口查询,它是一种关于时间序列的前向查询与反向查询的综合查询技术。为了弥补传统方法在解决窗口查询方面的不足,提出了一种TW-索引专门用于解决时间序列窗口查询。文章对TW-索引的建立过程作了详细地介绍,并对基于TW-索引的窗口查询作了阐述;同时,讨论了当数据处于动态更新时TW-索引的建立及查询方法。然后,将TW-索引与其它索引方法进行了详细地比较。最后,介绍了TW-索引在时间序列窗口查询中的应用。     

DSI:一种基于动态分段的时间序列查询索引

时间序列数据主要依据采集时间进行排序,时间序列上相邻的数据具有一定的关联性,当用户读取时间序列数据时不只是读取一条数据,而是连续读取一段时间序列数据。针对时间序列的局部性特点,提出一种基于动态分段的时间序列索引DSI,通过设置差值及差值等级对时间序列数据进行动态分段,使用区间树快速查找不同长度的数据分段块,并利用层次聚类算法优化查询结果集合。实验结果表明,DSI索引的查询效率优于现有时间序列查询索引。     

基于参数重要度的多元时间序列相似性查询

针对多元时间序列的相似性查询问题,给出参数重要度的定义,提出一种基于参数重要度的候选集查询方法。通过对多元时间序列的SVD分解,将奇异值向量和特征矩阵作为多元序列的特征,基于线性空间中的坐标变换原理构造2个多元时间序列的相似性度量模型,实现在候选集上的精确匹配并获得最终的结果集。对飞行数据的相似性查询实验验证了该方法的有效性。     

不确定时间序列的规约方法

为提高不确定时间序列的查询效率,在对不确定时间序列数据集进行建模的基础上,提出由不确定时间序列向确定时间序列的 3种规约方法,分别为概率最大法、混合规约法和均值法,并给出具体的规约过程。实验结果表明,上述3种规约方法能减少时间序列的不确定性,为其相似性匹配、搜索和查询操作提供依据。     

基于互关联后继树的时间序列相似性查询

时间序列的相似性查询是分析时间序列变化规律的一种重要方法,对于时间序列的分类、预测以及知识发现都具有重要的现实意义。提出了一种基于分段技术的、同时支持可变长度的快速相似性查询方法。其主要思想是：首先依据序列变化的重要点将序列逐步分段,抽取各子段的变化特征,通过分类方法将其转变成符号序列,在此基础上,引入一种称为互关联后继树的全文索引技术,从而实现序列的快速相似性查询,其时间复杂度降到了O(L),此外,该算法还保证在建立索引后查询结果不会有任何的错误丢失。     

基于周期项方法选择的季节性时序预测

根据每个单步预测序列各自具有的特征,通过周期项重构把多步预测转化为单步预测,提出一种预测方法选择策略。为每个单步预测序列选择一个最合适的预测方法,利用选择的方法建模预测周期项,结合灰色预测模型对趋势项的预测值,建立季节性时间序列整体预测模型。实验结果表明,该模型能克服周期项多步预测的缺点,具有较高的预测精度。     

基于Walsh变换的时序数据相似性搜索

针对时序数据相似性搜索面临的高维性问题,提出一种利用按沃尔什序数排列的离散沃尔什变换((DWHT)w)对时序数据进行维归约的方法.(DWHT)w是正交变换,变换矩阵简单,可以应用快速算法,对时序数据有更好的特征提取能力,用其索引时间序列数据在理论上具备非漏报性质.与基于离散傅里叶变换和基于离散沃尔什变换的对比实验表明,...