基于形状的时间序列相似性度量及模式发现算法

针对目前时间序列模式发现中使用的时间序列相似性度量易受尺度(scale)和平移的影响,不适应基于形状的时间序列模式发现,本文提出了一种重标和平移不变的时间序列相似性度量:Sh 度量,给出度量的性质及其证明。同时提出了基于Sh度量的时间序列形状模式发现算法,并对算法的有限次迭代终止性和时间复杂性进行了证明。论文最后通过对人工数据和太阳黑子数据的实验证明了本文提出的Sh度量及基于形状的时间序列模式发现算法的有效性。     

基于时间序列和资源相似性的云资源优化模型

以提高云平台系统的利用率为出发点,在分析云系统使用模式和用户事件特征的基础上,建立了资源优化模型对用户使用事件和资源请求行为建模。从用户事件进行时间序列划分,用户特征的相似性计算以及资源相似性度量三个方面对优化模型进行描述,设计并应用基于阈值的资源相似性度量算法实施优化,并对优化结果进行了分析验证。     

基于曲率距离的时间序列相似性搜索方法

针对几种时间序列相似性度量方法存在的序列元素值依赖性,对序列信息挖掘不充分等问题,该文提出一种新的时间序列分段、近似表示和相似性度量方法。在对序列信息和规律充分挖掘的基础上,对时间序列进行分段并建立了各分段的精确拟合模型,用分段的拟合曲线在各时刻处曲率组成的曲率序列对原时间序列进行近似表示,给出了时间序列的曲率距离定义。最后,提出了基于曲率距离的时间序列相似性搜索算法。该方法充分挖掘了序列信息,对时间序列的主要形态特征进行了有效保留和识别,经实验验证了该方法的有效性、稳定性和准确性。     

非线性时间序列动力学相似性分析

本文提出了分析非线性时间序列动力学相似性的模糊相似性指数方法,通过计算不同时间序列或者同一时间序列的不同区段的动力学相似性,可以识别不同动力学系统的内在属性或者同一系统的动力学状态的改变．该方法在计算关联和时,我们用Guassian函数代替Heavyside阶跃函数,克服了Heavyside阶跃函数的刚性边界问题．通过对Logistic映射数值序列和脑电信号实例检验表明,该方法计算相似性指数更加准确和平稳。     

基于时间序列相似性原理的雷达信号快速识别

从密集复杂的信号环境中分选和识别出特定雷达辐射源信号是信号处理领域重要内容之一。利用威胁复杂雷达信号的先验信息,引入数据挖掘领域时间序列相似性快速匹配原理及其滑窗技术,提出了一种适于多参数联合变化雷达信号快速匹配识别方法。实验表明,该方法识别速度快,适应环境能力强,具有良好的应用前景。     

基于弧度距离的时间序列相似度量

时间序列的近似表示和相似度量是时间序列数据挖掘的重要任务之一,是进行相似匹配的关键。该文针对现有的各种基于分段线性表示(Piecewise Linear Representation,PLR)相似度量方法存在的序列长度依赖和多分辨率条件下的潜在识别误差等缺点,提出了一种序列分段线性弧度表示和基于弧度距离的相似度量方法,实现了序列的快速在线分割和相似度计算。该方法简洁直观,利用分段弧度对分段趋势进行细粒度划分来保留序列主要形态特征,有效地提高了度量结果的准确性和多分辨率条件下的稳定性。该方法具有序列分割算法独立性特点,可用于时间序列的相似查询、模式匹配、分类和聚类。     

轨迹相似性度量方法研究新进展

轨迹数据广泛应用于智能交通、自然保护、疫情防控等领域。轨迹相似性度量是轨迹查询分析中最复杂和耗时的操作之一,是轨迹数据管理领域的研究基础。文章首先将轨迹相似性度量方法按对时间信息是否敏感划分为时间敏感型和非时间敏感型,同时介绍了基于语义和深度学习的新型轨迹相似性度量方法;然后对每类度量方法进行了综合对比分析,并给出了各自的优缺点;最后对本领域未来的研究趋势进行了展望。     

地震监测时间序列异常值检测策略

前兆观测数据真实可靠地应用在地震预测中前提是观测人员能够准确去除和标记干扰异常数据。为了能够在前兆数据预处理过程中由计算机及时检测出异常值,文章在时间序列的异常值检测的基础上,提出一套前兆仪器数据异常判定方法。根据异常的特征分析,首先选取合适的阈值特征进行阈值异常检测,在阈值异常检测结果的基础上,进而将其与邻近观测点数据进行相似性度量。从而达到将局部干扰异常与地球物理变化区分的目的。这种异常判定规则应用在前兆预处理中大大提高了前兆数据预处理的准确性和效率。同时,这种异常判定规则应用在实时监控中可以及时发现仪器的故障以及解决异常数据隐蔽性和时效性的问题。     

一种改进的符号化时间序列聚类方法

符号化时间序列聚类是聚类研究中的热点之一,其中关键问题是时间序列符号化相似度问题.本文针对传统的基于欧式距离度量存在的缺陷,以LCS度量为基础,提出了ELCS相似性度量,克服了LCS度量需要依赖线性函数选取的不足.在两类数据集上进行的实验表明,同其他常用度量的比较,该度量有着更好的聚类效果.     

基于三点的时间序列关键点研究

关键点（转折点及极值点）是刻画时间序列的最重要点,由此提出了一种新的基于三点时间序列关键点算法。首先,分析了三点组成的序列形态;其次,提出了转折点定理和三点转折定理,并给予了证明;最后,给出了算法及实验分析。实验结果表明该算法能精确定位序列中的关键点。     

正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术

论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。     

一种基于频繁模式的时间序列分类框架

如何提取和选择时间序列的特征是时间序列分类领域两个重要的问题。该文提出MNOE(Mining Non- Overlap Episode)算法计算时间序列中的非重叠频繁模式,并将其作为时间序列特征。基于这些非重叠频繁模式,该文提出EGMAMC(Episode Generated Mixed memory Aggregation Markov Chain)模型描述时间序列。根据似然比检验原理,从理论上推导出频繁模式在时间序列中出现的次数和EGMAMC模型是否能显著描述时间序列之间的关系;根据信息增益定义,选择能显著描述时间序列的频繁模式作为时间序列特征输入分类模型。在UCI (University of California Irvine)公共数据集和实际智能楼宇数据集上的实验表明,选择频繁模式作为特征进行分类的准确率、召回率和F-Measure均优于不选择频繁模式作为特征的分类结果。高效的计算和有效的选择非重叠频繁模式作为时间序列特征有助于提高时间序列分类模型的各项评价指标。     

基于Hausdorff距离的相似性和对称性度量及在人脸定位中的应用

本文提出了一种基于改进的Hausdorff度量的人脸定位方法.首先,改进了模板匹配中基于Hausdorff距离的相似性度量.传统的Hausdorff距离仅仅计算了两个点集之间的平均失配程度,而改进的方法同时考虑了点集之间的距离平均值和标准差,所以对人脸定位中姿态、表情、个体的变化具有更好的鲁棒性.另外还将Hausdorff距离应用于测量对称性这一人脸的重要特征,并将对称性度量和相似性度量结合起来进行人脸定位,从而取得了较高的定位正确率和定位精度.     

一种时间序列频繁模式挖掘算法及其在WSAN行为预测中的应用

该文提出FPM(Frequent Pattern Mining)算法充分考虑频繁模式在时间序列中出现次数和分布。基于这些不同分布的频繁模式扩展MAMC(Mixed memory Aggregation Markov Chain)模型提出FMAMC(Frequent pattern based Mixed memory Aggregation Markov Chain)模型。将FPM和FMAMC应用到实际的智能楼宇项目中,证明和现有算法相比FPM算法具有较好的时间性能,FMAMC模型能够比MAMC模型更准确的预测WSAN节点行为。     

Vague值(集)相似度量的研究

该文对现有Vague集(值)相似度量方法进行研究,发现目前Vague值(集)相似度量方法存在一些缺陷,给出了Vague集(值)相似度的一种定义,提出了两种Vague值(集)相似度量的改进方法,最后通过数据分析验证了改进方法的有效性和优越性。     

基于OLAP多维数据模型的时间序列分析技术

在海量数据条件下,传统的数据统计方法在灵活性和效率等方面受到了制约,为此提出了一种时间序列多维数据建模方法和聚类算法,将OLAP技术应用到时间序列分析技术中,并以实例论证了方案的可行性和实用性。