基于K-Shape的时间序列模糊分类方法

时间序列分类是数据挖掘中的重要主题,现有的大部分时间序列分类方法较少考虑到序列形状对分类结果的影响。该文提出了一种基于k-shape的时间序列模糊分类方法。该方法通过使用k-shape聚类算法对时间序列训练数据集各类别的成员进行聚类,获得各类别的聚类中心并形成聚类中心群,将每个类别的聚类中心群作为时间序列数据模糊分类的初始聚类中心,根据隶属度最大原则确定测试时间序列数据的类别标签。在30个时间序列公开数据集上的分类实验结果表明,该方法相较于SVM、Bayes、EAIW和TLCS这4种分类算法具有更好的分类性能,对具有扭曲和位移特征的时间序列数据分类有更好的可用性。     

基于串行分类算法的不平衡时间序列多分类方法

提出了基于串行分类算法的不平衡时间序列多分类方法,并以“上证50指数”15 min交易数据为例,进行了实验检验与结果分析. 结果表明,在多数情况下,串行分类算法比单一算法有更高的准确率、召回率和F1值,可以更有效解决不平衡时间序列多分类问题.     

基于分段时间序列的试井数据相似性查询算法

从石油试井数据序列查询的实际需求出发,给出一种新的时间序列相似性查询算法。该算法首先通过中线距离阈值和极值点两个约束条件分段线性拟合时间序列,利用分段动态弯曲距离度量获得相似的分段子序列,逐点检索该子序列实现序列的精确查询。实验结果表明,该算法具有良好的相似性查询质量和效率。     

基于Map/Reduce的时间序列相似性搜索算法

将并行计算的策略引入到时间序列处理中,提出基于Map/Reduce的时间序列相似性搜索算法,充分利用云计算可进行大规模计算和数据处理的特点,有效降低了时间序列相似性搜索中运算量,简化了计算过程。该算法在心电图数据集上进行相似性搜索,分别进行PAA下界过滤和DTW距离的计算,验证运算时间和并行加速比随节点变化的情况,与传统的单机运算相比,有效地提高了时间序列挖掘效率。     

基于分段聚合时间弯曲距离的时间序列挖掘

针对时间序列的相似性度量问题,提出基于分段聚合时间弯曲距离的时间序列挖掘方法。首先运用经典分段聚合近似方法来对时间序列进行数据变换,实现时间序列的特征提取和数据降维,然后利用动态时间弯曲距离进行距离计算,最后将其应用于时间序列聚类和分类的数值实验中。新方法不仅过程简单、易于实现,而且实验结果表明其平均分类错误率与传统分段时间弯曲相比,几乎降低了50%。同时,新方法在运行时间和聚类挖掘结果上都具有一定的优势。     

时间序列模式挖掘的算法研究

提出一种进行时间序列模式挖掘的算法，用于对大型数据库的海量数据分析，从中挖掘出超过用户给定支持度和置信度的时间序列，从而为用户的决策支持和趋势预测提供依据，算法分为在数据中对于频繁项集的发现和频繁序列挖掘两个部分，排除不可能达到支持度和置信度阈值的项集，缩小了挖掘中的数据扫描范围，提高了数据挖掘的效率。     

时间序列早期分类的多分类器集成方法

为解决时间序列的早期分类问题,提出一种顺序子空间堆叠泛化(sequential subspace stacked generation, SSSG)的多分类器集成方法。该方法利用滑动窗口将时间序列划分成顺序子空间,采用多个一级分类器在顺序子空间上进行学习,输出各个子空间可能类别的概率,利用二级学习算法在这些概率结果上进行训练得到第二级的分类器。通过两级分类器可以判断已经出现部分特征的时间序列的类别,理论分析了影响分类性能的几个因素,仿真实验证明了本文算法的有效性。     

时间序列模式挖掘的算法研究

提出一种进行时间序列模式挖掘的算法 ,用于对大型数据库的海量数据分析 ,从中挖掘出超过用户给定支持度和置信度的时间序列 ,从而为用户的决策支持和趋势预测提供依据 .算法分为在数据中对于频繁项集的发现和频繁序列挖掘两个部分 ,排除不可能达到支持度和置信度阈值的项集 ,缩小了挖掘中的数据扫描范围 ,提高了数据挖掘的效率     

发现时间序列数据中的高质量惊奇模式

时间序列数据库中的惊奇模式发现是一个重要问题。已有的算法根据时间序列的形态特征定义并发现惊奇模式,而忽视时间序列内在的机理及其统计规律。为克服此缺点,提出基于时间序列预测的惊奇模式定义,即,其中包含了足够多例外的事件,并提出系统化的惊奇模式发现算法。首先将时间序列离散化为0和1组成的字串;然后用一个简单的算法从此字串中发现所有的惊奇模式。实验表明,所提算法不仅可以发现Keogh等人定义的惊奇模式,而且避免了发现无意义的惊奇模式。     

一种基于时间序列的CAN总线异常检测方法

提出一种基于时间序列的CAN总线报文异常检测方法.采用K近邻法与时间序列结合的方式对总线报文ID的时间序列进行训练,得到每条ID前的固定序列,以此序列验证待测数据,判定实车网络是否被入侵.基于可能的入侵方式,采用插入紊乱序列的方式从理论上验证了方法的可行性,通过入侵实车总线的方式验证了该方法的实际可行性.     

一种基于混合模型的时间序列数据挖掘系统

时间序列数据挖掘是在从数据仓库中提取出有效历史数据的基础上，对其进行一定的处理，从而发现隐含、未知的有效信息．本阐述了一种新的基于灰色—回归—模糊神经网络混合模型的时间序列数据挖掘系统，重点讨论了灰色—回归—模糊神经网络混合模型的建立过程，并应用于浙江省可持续发展预测，取得了满意的结果．该混合模型融合多种智能计算方法优点于一体，为时序数据挖掘提供了一种新的实用方法．     

基于SVM的人类基因序列分类方法

为了判断一个给定的DNA序列片段是基因序列还是间区序列,基于语言学方法提取了DNA序列特征,通过支持向量机(SVM)训练方法,实现了对人类22号染色体的DNA序列中的基因和基因间区序列的分类.在不依赖于任何生物领域知识的前提下,该方法能得到85%以上的分类精度.相对于SVM分类方法,虽然二元Logistic回归(BLR)方法也能达到较高的分类精度,但在训练时间上SVM方法远优于BLR方法.     

基于多变量时序数据的对抗攻击与防御方法

为了保证时序数据攻击检测模型的安全性,提出了基于多变量时间序列数据的对抗攻击与对抗防御方法. 首先,针对基于自编码器的攻击检测模型,设计了在测试阶段实施的逃逸攻击. 其次,针对设计的对抗攻击样本,提出了一种基于雅克比(Jacobian)正则化方法的对抗攻击防御策略,将模型训练过程中的Jacobian矩阵作为目标函数中的正则项,提高了深度学习模型对对抗攻击的防御能力. 在工业水处理数据集BATADAL上进行实验,验证了所提出的对抗攻击方法和对抗防御方法的有效性.     

基于时序大数据机器学习的状态趋势预警研究

针对目前预测算法的预测时间短和预警不及时等问题,采用极限学习机（ELM）算法,构建了时序预测模型,并通过最小二乘法拟合构建预测值斜率趋势,采用高斯混合聚类得到了动态安全趋势阈值,再结合预测斜率趋势和动态安全趋势阈值实现了斜率趋势预警。结果表明,相比于门控循环单元结构（GRU）神经网络等建模方法,ELM算法具有更好的预警能力,并且斜率趋势预警能够较早发现运行时异常变化,实现准确且及时的预警。     

基于动态图像序列的表情识别

为提高表情表述能力, 提出建立组合单帧表情空域特征的表情序列联合特征.在分析Gabor小波的不同方向和尺度组合对表情图像表征能力基础上, 确定采用3个方向和2个尺度的Gabor滤波器组提取单帧表情图像特征, 描述表情动作的空域特征.在此基础上, 组合连续表情图像序列的特征, 建立包含表情动作变化过程的联合特征, 解决了利用表情相关的局部空域和时序变化信息建立表情表述模型问题.利用支持向量机 (SVM) 作为分类器分别在JAFFE静态表情数据库和Binghamton动态表情数据库上进行测试, 结果验证了静态图像采用Gabor+PCA特征比PCA特征更具有效性, 表明利用动态表情序列建立表情特征比用静态表情图像具有更高的表情识别正确率.     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

基于时间序列的数据挖掘在证券中的应用

为更好地对股票数据进行分析,从理论上对数据挖掘中时间序列的产生、应用进行了研究,通过对时间序列处理以及相关性搜索的多种方法的比较和分析,设计一个以股票预测为对象的小型系统。该系统首先对时间序列进行适当的处理,然后进行相似性搜索,分析未来的短时间的走势是否是历史上的重现。同时对得到的结果进行了分析,实验结果表明,该方法能找到股票数据中历史上相似走势,并通过历史走势分析当前的走势。