利用模糊时间序列进行短时交通流预测

短时交通流预测在交通控制中起着基础的作用.本文利用模糊时间序列提出了一种新的短时交通流预测模型,并且在此模型基础上提出了一种算法.此算法和以往算法最大的不同就是能够处理历史数据是语言变量的预测问题.最后通过北京紫竹桥的实测数据和其它预测算法比较验证了本文提出算法的有效性和实用性.     

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。     

基于EMD方法的时间序列分层相似性匹配算法

时间序列数据挖掘是时态数据挖掘的一个重要方面,针对金融时间序列非稳定、非线性的特点,使用EMD方法进行序列趋势的提取,得到了原始时间序列的长期趋势。在此基础上提出了子序列分层匹配算法,首先进行时间序列趋势的粗匹配,在结果集中进一步进行细节匹配,与传统方法相比,提高了相似性匹配的效率,减少了结果集的冗余。     

一种新的直觉模糊时间序列预测方法

针对现有直觉模糊时间序列预测模型论域区间划分和序列数据直觉模糊化预处理方法存在的问题,提出了一种新的直觉模糊时间序列预测算法,通过引入滑动窗口参数准确反映不确定数据集的分布特性,利用可调参的直觉模糊C均值聚类算法优化论域区间划分标准,基于直觉模糊范数定义语言变量直觉模糊集,有效地提高了复杂环境下时序系统的预测精度。最后,通过典型实例验证了该方法的有效性和优越性。     

模糊神经网络在时间序列预测中的应用

文中提出了将模糊聚类与梯度算法相结合的一种改进的训练模糊神经网络的混合型算法。模拟结果表明，模糊神经网络可以成功地用于时间序列的预测，模糊神经网络的训练速度与模拟精度都优于传统多层ＢＰ网络。     

时间序列模糊关联规则的挖掘

对于许多复杂系统产生的时间序列,研究序列的局部行为和局部关联特征往往比原来的研究系统全局性模型具有明显的优势。为研究时间序列内部或时间序列间局部形态的关联特征,文章借助模糊集来软化时间序列属性论域的划分边界从而研究时间序列局部形态的模糊关联规则、规则可信度和规则的评价方法。实际算例显示了算法的有效性。     

基于模糊时间序列——股票走势的建模与应用

对证券市场3个重要信息:成交量、时间、价格进行模糊化处理后,以5日平均价格线为建模主要工具,配合上述信息对股市一段时期的数据进行建模,通过序列匹配的方法用另一时期的数据对建模结果进行验证。结果表明该方法是有效的。     

相似时间序列挖掘方法

马尔可夫状态转移矩阵描述了随机过程的动态特性，而时间序列可以认为是这一动态特性的外在体现，将二者有效地结合起来为相似时间序列挖掘提供了一种有效的新方法。     

基于证据理论的模糊时间序列预测模型

在分析经典模糊时间序列预测模型的基础上,指出了传统的模型不能处理多因素的情形;然后分析并改进了证据理论中关于证据合成的方法,提出了基于证据理论的多因素模糊时间序列预测模型;最后用1997年～2006年10年间的上海股指数据对所提出的模型进行了实践检验,实验结果表明该模型是可行的,其预测效果优于所参照的预测模型.     

多变量时间序列的模糊决策树挖掘*

针对目前时间序列决策研究方法的一些缺陷,提出了多变量时间序列模糊决策树挖掘方法,并给出了该方法的实验分析。实验结果证明该方法能够找出多变量时间序列子序列的形态与某个序列的后期趋势或状态的决策信息。     

不确定时间序列的相似性匹配问题

确定性时间序列的相似性匹配方法都没有考虑数据的不确定性,而现实世界中传感器采集到的数据往往是不确定的,现有的时间序列的相似性匹配方法不适用于这些领域.针对此问题,将不确定性时间序列做预处理,把它分为横向时间维和纵向概率维,首先把给定的不确定时间序列用Haar小波变换进行压缩变换,在此基础上,对得到的不确定性时间序列概率维作纵向处理,提出一种选代表方法,即采用概率最大法、均值法等选出一条确定的时间序列.通过这2种预处理后,对得到的确定性时间序列进行降维和索引,根据查询序列和数据库中的时间序列中的各自的不确定性进行组合,分别提出对应组合的相似性匹配算法.     

基于n阶原子模板的时间序列相似匹配算法

本文以时间序列一、二阶原子模式的定义为基础,推导基于n阶原子模式的构造,研究了原子模式之间的偏序相似关系,使得序列能进行细腻的比较,并由此提出了基于模板匹配的算法。实验表明,基于模板匹配的算法与同类方法和传统方法比较在精度上和性能上都有较大优势。     

Time Warp Edit Distance with Stiffness Adjustment for Time Series Matching

In a way similar to the string-to-string correction problem, we address discrete time series similarity in light of a time-series-to-time-series-correction problem for which the similarity between two time series is measured as the minimum cost sequence of edit operations needed to transform one time series into another. To define the edit operations, we use the paradigm of a graphical editing process and end up with a dynamic programming algorithm that we call time warp edit distance (TWED). TWED is slightly different in form from dynamic time warping (DTW), longest common subsequence (LCSS), or edit distance with real penalty (ERP) algorithms. In particular, it highlights a parameter that controls a kind of stiffness of the elastic measure along the time axis. We show that the similarity provided by TWED is a potentially useful metric in time series retrieval applications since it could benefit from the triangular inequality property to speed up the retrieval process while tuning the parameters of the elastic measure. In that context, a lower bound is derived to link the matching of time series into down sampled representation spaces to the matching into the original space. The empiric quality of the TWED distance is evaluated on a simple classification task. Compared to edit distance, DTW, LCSS, and ERP, TWED has proved to be quite effective on the considered experimental task.     

Multiscale Representations for Fast Pattern Matching in Stream Time Series

Similarity-based time series retrieval has been a subject of long term study due to its wide usage in many applications, such as financial data analysis and weather data forecasting. Its original task was to find those time series similar to a pattern time series data, where both the pattern and data time series are static. Recently, with an increasing demand on stream data management, similarity-based stream time series retrieval has raised new research issues due to its unique requirements during the stream processing, such as one-pass search and fast response. In this paper, we address the problem of matching both static and dynamic patterns over stream time series data. We will develop a novel multi-scale representation, called multi-scale segment mean (MSM), for stream time series data, which can be incrementally computed and thus perfectly adapted to the stream characteristics. Most importantly, we propose a novel multi-step filtering mechanism, SS, over the multi-scale representation. Analysis indicates that the mechanism can greatly prune the search space and thus offer fast response. Furthermore, batching processing optimization, the dynamic case where patterns are also from stream time series, and pattern matching over future stream time series are also discussed. Extensive experiments show the proposed scheme can efficiently filter out false candidates and detect patterns.     

带弱通配符的模式匹配及其在时序分析中的应用

针对模式匹配的准确性和灵活性问题,提出了一种基于弱通配符的匹配算法,以快速定位重要的时间点,辅助用户决策。首先通过数据预处理得到编码字符串序列,然后定义具有特殊语义的弱通配符及区间长度,最后设计一种高效的模式匹配算法。在时序分析中,模式反映了数据的变化趋势,预示着事件的发生。传统的精确匹配受噪声的影响比较大,匹配的灵活性低。通过添加弱通配符可以兼顾匹配过程的灵活性和准确性。油田产量与股票交易数据实验表明,所提方法较精确匹配而言,能够更有效地找到符合用户要求的模式。     

一种考虑区间直觉模糊集的多属性匹配决策方法

针对属性及属性权重均为区间直觉模糊数（IVIFN）的多属性匹配决策问题,提出一种匹配决策方法．首先根据区间直觉模糊数加权绝对值距离的定义,以逼近理想解法的思想,构建一方主体与另一方潜在对象最优匹配度的分式规划模型,并通过Charnes-Cooper变换,将原模型化为线性规划模型并求解模型得到双方的匹配度矩阵;然后,以匹配度最大为目标,建立一种双目标区间优化模型,通过线性加权转为单目标优化模型并求解得到匹配结果．最后,算例说明了所提方法的可行性和有效性．     

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DTW的多元时间序列模式匹配方法

现有的模式匹配方法难以高效、准确地度量多元时间序列的相似性．本文对多元时间序列进行多维分段拟合,选取各个变量维度上拟合线段的倾斜角和时间跨度作为特征模式,进而提出一种基于DTW的多元时间序列模式匹配方法,并通过实验验证所提方法的有效性．实验结果表明,该模式匹配方法对时间跨度较大且体现一个连续、完整过程的多元时间序列具有较好的匹配效果;对时间跨度较小、体现状态点的多元时间序列也具有一定的匹配能力．     

Fuzzy Logic and Chaos Theory in Time Series Forecasting

This paper presents a method of time series forecasting based on the integration of fuzzy logic and chaos theory. The proposed method has two stages. On the first stage, we consider the time series as a dynamic system and using the methods of mutual information and false nearest neighbors, as a part of applied chaos theory, we reconstruct the phase portrait corresponding to the original time series. On the second stage, we are learning the neuro fuzzy network as a model of time series forecasting using the vectors points of reconstructed phase portrait. We consider all the formalisms necessary for understanding the method and present the results of two computer experiments proving the ability of fuzzy inference accuracy increasing using the selection of optimal parameters of time delay and phase portrait dimension.