金融时间序列挖掘综合模型

时间序列挖掘是数据挖掘的重要组成部分,本文通过对金融数据按地点划分,经过平滑、聚类处理,再对同一类别的各条金融序列分别发现其序列内频繁模式,综合一个得到同类别多条金融时间序列的复合挖掘模型。农业价格时序挖掘实践证明,该金融时间序列挖掘模型利用挖掘出来的知识对金融时间序列趋势进行了定性分析,能有效地指导用户的市场行为,辅助用户决策。     

时间序列移动接入模式的挖掘研究

通过对移动用户的位置、时间和业务需求信息进行组合分析,设计了一种时间序列移动接入模式的挖掘方法;它可以有效的挖掘出时间频繁序列移动接入模式,有利于业务提供商在相应的时间段和位置重点推广对其敏感的业务;该挖掘方法采用了简洁表头的形式储存位置和业务,数据库可以对其进行快速扫描,降低了内存的使用并提高了效率。     

水文时间序列相似性挖掘系统

时间序列分析正成为数据挖掘研究的热点,本文讨论了时间序列相似性研究的现状和典型方法,介绍了水文时间序列相似性系统的设计与实现,详细分析了系统采用的相似性度量方法。     

基于时间序列模型的动态关联规则元规则挖掘

针对现有关联规则挖掘算法大多是挖掘一种静态关联规则的情况,介绍动态关联规则的定义,给出动态关联规则元规则的形式化定义,解决规则随时间的推移可能会有很大变化的情况下为规则建立元规则的问题,描述一种基于时间序列模型的预测和分析动态关联规则的元规则的方法,从而较好地拟合历史数据,给出满足一定显著性水平预测趋势模型的方程,挖掘规则的变化趋势,为规则建立元规则。     

基于多维时间序列挖掘的降雨天气模型研究

为研究降雨天气中降雨量和相关气象要素的关系,找出降雨前后相关气象要素的变化规律,提出了多维时间序列数据挖掘模型.该模型首先对气象要素时间序列进行维度选择预处理,剔除不相关及冗余维度,然后运用提出的极值斜率分段线性拟合法对时间序列进行分段、数据压缩及特征值提取,最后使用k-means聚类算法对处理后的多维序列进行符号化,利用规则提取得到降雨天气模型.实验结果表明了该模型具有较好的实用价值.     

时间序列下模式挖掘模型设计

在模式挖掘应用于智能化方法过程中,为了提高数据变化模式的准确性和可用性,以FC闭包模型为基础,对专家界定的领域影响因子进行逻辑转化,采用距离均方差算法以时间序列为基础处理原始数据,并利用激巨判定函数摒弃无效元素,降低数据维度,完成数据准备。选定恰当可行的数学模型进行时序数据拟合,借鉴分类分析法的思想,引入CCM-ECM模型表达最终挖掘结果,完成时序下模式挖掘模型（TODM）设计,同时为该模型的置信度计算和自适应调整提出一套较为科学的计算方法,以此达到深度挖掘数据内部潜在规律,提高数据变化模式的高精细化描述程度的目的。最后结合油井施工作业过程,利用TODM模型实现了油井施工作业后模式挖掘系统的设计。     

基于Web的时间序列模式挖掘

序列模式挖掘是数据挖掘的重要研究课题之一。将其应用于Web环境具有重要意义,论述了Web时间序列模式挖掘问题,并给出了一种Web时间序列模工挖掘的有效算法。     

基于分段时间弯曲距离的时间序列挖掘

在时间序列库中的数据挖掘是个重要的课题,为了在挖掘的过程中比较序列的相似性,大量的研究都采用了欧氏距离度量或者其变形,但是欧氏距离及其变形对序列在时间轴上的偏移非常敏感．因此,采用了更鲁棒的动态时间弯曲距离,允许序列在时间轴上的弯曲,并且提出了一种新的序列分段方法,在此基础上定义了特征点分段时间弯曲距离．与经典时间弯曲距离相比,大大提高了效率,而且保证了近似的准确性．     

水文时间序列关联规则挖掘模型研究

基于聚类、最小方差、统计分析、列联表检验以及兴趣度的定义,提出一种水文时间序列关联规则挖掘模型.该模型中使用了基于聚类和最小方差的离散化方法、基于统计分析的规则优化,实验结果证明通过水文时间序列关联规则挖掘模型不仅可以快速的实现水文数据的处理,而且生成的关联规则比传统的关联规则的解释能力强,规则精度高,而且可以得到数据变化规律,对水文分析和研究有指导意义,可用于预测和决策分析,提高水文数据的利用率.     

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。     

基于子序列相似性的时间序列语义挖掘算法

时间序列是对某个事物或系统进行连续同间隔测量得到的数值序列,挖掘时间序列中潜在的语义信息对于发现系统运行规律或识别系统突发异常至关重要,然而目前多数时间序列语义挖掘算法对于时间序列数据特征有一定的约束条件,难以处理海量且特征各异的时间序列数据。针对该问题,提出一种基于子序列相似性的时间序列语义挖掘算法。通过计算子序列的相似性,将时间序列分割成片段序列进行两级聚类,识别出时间序列中潜在的物理状态。引入基于概率的迭代模式,根据候选分段情况动态调整子序列被选为参考子序列的概率,保证参考子序列涵盖全部物理状态。实验结果表明,该算法在PAMAP、Barbet等5个真实数据集上的识别准确率均超过90%,相比于FLUSS、pHMM、AutoPlait算法具有更高的识别准确率与运行效率以及更强的通用性。     

基于序列挖掘的用户移动位置预测

随着移动通信技术和定位技术(如GPS定位、GSM定位系统等)的发展和广泛的应用,用户移动模式及移动位置预测技术越来越受到重视.现有的很多移动环境下的轨迹预测算法都是基于支持度或置信度来进行预测的,这种方法并不考虑用户移动模式的匹配度.针对这一问题,提出一种新的匹配度计算方法,结合置信度和移动模式与当前访问路径的相似程度计算出下一个用户最有可能移动的位置.实验结果证明该方法能得到较理想的预测准确度.     

基于时间序列的电力系统故障诊断规则挖掘

介绍了利用Rough集理论进行数据挖掘技术在电力系统故障诊断中的应用。针对电力系统中与时间序列相关的数据集,提出了基于Rough集的时间序列相关的分类规则挖掘算法。利用该算法得到的分类规则,可以较好地反映条件属性集随时间动态变化对系统状态的影响。     

水文时间序列趋势预测挖掘系统研究

讨论了时间序列趋势预测研究的现状和典型方法，并在时间序列预测中引入神经网络方法。介绍了水文时间序列趋势预测挖掘系统的设计与实现，详细分析了系统采用的时间序列预测的神经网络方法。     

基于最大信息挖掘广域学习系统的混沌时间序列预测

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出一种基于最大信息挖掘广域学习系统的混沌时间序列预测模型。为了有效地捕捉混沌系统的线性信息,引入一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以兼顾历史状态信息。通过非线性随机映射将特征映射到增强层从而充分挖掘非线性信息。引入层叠机制促进了动态建模中信息的传播,实现了特征的再激活。在四个大规模数据集上的实验结果表明,提出的方法具有更好的预测精度和更少的计算代价,验证了该方法可以在大规模动态系统建模中获得更好的预测结果。     

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。     

时间序列对称模式挖掘

随着信息化和工业化的融合,物联网和工业互联网蓬勃发展,由此产生了以时间序列为代表的大量工业大数据.时间序列中蕴含着很多有价值的模式,其中,对称模式在各类时间序列中广泛存在.挖掘对称模式对于行为分析、轨迹跟踪、异常检测等领域具有重要的研究价值,但时间序列的数据量往往高达几十甚至上百GB.使用直接的嵌套查询算法挖掘对称模式...     

基于序列模式挖掘的审计系统

目前,不少审计系统引入数据挖掘技术以增强系统功能。其中,大多数都是基于关联规则技术。关联规则技术无法挖掘出具有时序特征的规则,而序列模式挖掘刚好能解决这方面的问题。该文讲述一种基于序列模式挖掘技术的审计系统的设计与实现。该审计系统审计的数据源自身份验证、入侵检测、访问控制等模块产生的事件记录,并通过序列模式挖掘技术来分析这些记录,从中提取规则实现审计,并介绍了如何解决选取数据、预处理数据、选取挖掘算法等实际问题的方法。     

基于线性形态的时间序列异常模式挖掘

对于子序列长度相等的时间序列数据，文章提出了一种基于序列偏离度的异常模式发现方法。与传统的基于某一特定模型的方法不同，该方法首先对子序列进行线性分段，对每一分段计算其斜率，并将斜率进行离散化，离散化后的符号构成的特征序列就代表了原时间子序列的变化趋势，在此基础上，序列偏离度被定义和计算。这种方法不需预先定义模型，同时避免了通过序列间的两两比较来查找异常所带来的时间消耗。     

基于Sequitur的时间序列异步周期模式挖掘

现有的时间序列异步周期模式挖掘方法是在获取1-pattern有效段及周期的基础上再以枚举法得到i-patterns,时间复杂度较高。为解决该问题,提出一种改进的异步周期模式挖掘方法。在时间序列符号化后,使用基于Sequitur的候选模式算法获取候选i-patterns及其事件位置序列,通过基于OEOP的i-patterns有效段生成算法得到1-pattern和i-patterns的有效段及周期,从而生成有效子序列。实验结果表明,该方法具有较高的挖掘效率。