检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

日气温多元时间序列局部支持向量回归预测

系统仿真学报 2016年第3期28卷 654-660页

作者：王定成曹智丽陈北京倪郁佳南京信息工程大学计算机与软件学院南京210044

气温预报是天气预报的重要因素之一,但大气系统是一个复杂的非线性系统,要提高预报精度,需要探索新的预报方法。研究一种多元时间序列局部支持向量回归的日气温预测方法,以日最高、最低气温为例,使用C-C方法和最小预测误差法构造日最高... 详细信息

气温预报是天气预报的重要因素之一,但大气系统是一个复杂的非线性系统,要提高预报精度,需要探索新的预报方法。研究一种多元时间序列局部支持向量回归的日气温预测方法,以日最高、最低气温为例,使用C-C方法和最小预测误差法构造日最高、最低气温的多元时间序列,将分段提取最近邻点的方法应用于局部支持向量回归,建立提前1天的每日最高、最低气温局部预测模型。以中国753站资料包中的数据进行仿真实验,与欧氏距离提取最近邻点相比,分段提取最近邻点的方法能有效提高日气温的预测精度。多元时间序列局部预测模型在日气温的短期预测(10天以内)上比单元时间序列有着更好的应用价值。

关键词：日气温预测多元时间序列分段最近邻点局部支持向量回归

基于加权动态时间弯曲的多元时间序列相似性匹配方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

模式识别与人工智能 2017年第4期30卷 314-327页

作者：叶燕清杨克巍姜江葛冰峰豆亚杰国防科学技术大学信息系统与管理学院长沙410073

针对常用方法忽略变量相关性和局部形状特性问题,提出基于加权动态时间弯曲的多元时间序列相似性匹配方法(CPCA-SWDTW).首先,在原加权动态时间弯曲算法基础上,引入形态因子,提出基于形态特征的加权动态时间弯曲算法(SWDTW).然后,提取多... 详细信息

针对常用方法忽略变量相关性和局部形状特性问题,提出基于加权动态时间弯曲的多元时间序列相似性匹配方法(CPCA-SWDTW).首先,在原加权动态时间弯曲算法基础上,引入形态因子,提出基于形态特征的加权动态时间弯曲算法(SWDTW).然后,提取多元时间序列的主成分作为模式表示,消除变量间的相关性,同时将方差贡献率作为相应主成分的权重.在此基础上,运用SWDTW,度量多元时间序列间的相似度.最后,通过相似性搜索实验表明,CPCA-SWDTW具有较好的准确性和鲁棒性.敏感性分析说明CPCA-SWDTW在一定程度上受到权重函数参数的影响.

关键词：多元时间序列相似性匹配共同主成分分析加权动态时间弯曲

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

多元时间序列相似度分析与应用研究

多元时间序列相似度分析与应用研究

作者：甘斌斌华北电力大学

学位级别：硕士

多元时间序列广泛存在于金融、气象、航天等社会生产和生活中,时间序列的分析具有重要的研究和应用价值。本文研究分析多元时间序列相似性度量方法和多元时间序列异常检测问题,主要涉及相似性度量方法和异常检测算法两个方面的研究。在... 详细信息

多元时间序列广泛存在于金融、气象、航天等社会生产和生活中,时间序列的分析具有重要的研究和应用价值。本文研究分析多元时间序列相似性度量方法和多元时间序列异常检测问题,主要涉及相似性度量方法和异常检测算法两个方面的研究。在多元时间序列相似度分析中,选用标准数据集仿真实验,对比分析几种常见的多元时间序列相似度度量方法的性能。在多元时间序列相似度应用研究中,基于传统离群检测算法的相似性度量方法忽略了时间弯曲等相关因素,无法确保多元时间序列中异常检测结果的准确性。针对这一问题,本文对传统的离群检测算法进行优化改进,提出了一种基于改进距离的离群检测算法,并选用多元时间序列标准数据集验证基于改进距离的离群检测算法的有效性和优越性。针对时间序列数据集权重对检测结果的影响,论文进一步提出了基于加权优化距离的离群检测算法。该算法通过主成分分析对每个多元时间序列数据进行降维;其次通过夹角公式计算每个多元时间序列的特征矩阵与其正交坐标系之间的距离,并利用匈牙利算法得到对多元时间序列的加权最小距离;最后构建基于加权优化距离的离群算法来实现多元时间序列异常检测。选取四种多元时间序列数据集和变压器实测振动数据集,对基于加权优化距离的离群检测算法完成实验仿真,同时将该算法与传统的离群检测算法、黎曼流形算法进行对比分析,实验结果表明本文提出的算法具有更好的检测性能。

关键词：多元时间序列相似度分析主成分分析异常检测离群检测算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多元时间序列流跨事务关联规则挖掘

多元时间序列流跨事务关联规则挖掘

作者：孙雅琦哈尔滨工业大学

学位级别：硕士

随着经济的发展,在金融,医药,地质,气象,电子商务,传感器网络等很多领域都会产生大量的时间序列数据。挖掘时间序列中隐藏的关联关系并且对于后续时间序列进行预测是一个重要的研究方向,对于生产生活具有十分重要的意义。由于时间序列... 详细信息

随着经济的发展,在金融,医药,地质,气象,电子商务,传感器网络等很多领域都会产生大量的时间序列数据。挖掘时间序列中隐藏的关联关系并且对于后续时间序列进行预测是一个重要的研究方向,对于生产生活具有十分重要的意义。由于时间序列流一般数据量比较大,数据随着时间变化,具有连续性等特点,所以难以采用传统的关联规则挖掘方法直接对时间序列进行有效挖掘。目前对于时间序列数据流关联规则挖掘已经有一定的研究成果。这些研究多针对单时间序列和事务内关联规则的挖掘。而且通常在已经模式化的时间序列上进行关联规则挖掘,对于多时间序列流的跨事务关联规则挖掘的深入研究比较少,且对于关联规则的研究通常忽略了顺序性,大多不能实现增量挖掘关联规则。本课题在时间序列预处理阶段采用ITEO(Improved TEO)的分段线性表示方法,对时间序列数据进行压缩表示。在时间序列聚类时提出IK-Means算法,增加聚类的类间间距,降低了随机选择初始聚类中心的不确定性。本课题采用3个参量(时间长度,数值截距占最低点比率,线段斜率)表示模式,进行归一化度量相似度。在关联规则挖掘过程,设计了基于多时间序列跨事务关联规则的十字链表表示(IAMTL)方法。基于这种存储结构能够表示多条时间序列在固定的时间T内的关联,在时间序列关联规则中加入固定时间T限制,增强关联规则的顺序性。I-IAMTL算法采用修正支持度和置信度,增量的挖掘关联规则,更加符合时间序列数据的特点。在算法挖掘出的关联规则的验证部分采用前后件窗口(PCW)的方法对于关联规则预测的准确性进行了验证。在实际热电厂的数据和股票数据集上通过将已有算法与本课题的IAMTL和I-IAMTL算法对比,显示了本课题所提算法的有效性。

关键词：多元时间序列跨事务关联规则预测 ITEO IAMTL

多元时间序列数据挖掘相似性分析方法及应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多元时间序列数据挖掘相似性分析方法及应用研究

作者：叶燕清国防科学技术大学

学位级别：硕士

多元时间序列在各个领域中广泛存在,如何从维度高、序列长度日益增长的时间序列中挖掘有效信息,发现隐藏模式,是一个具有重要意义的课题。作为时间序列数据挖掘的基础性工作,相比于一元时间序列,相似性分析在多元时间序列中的发展还不... 详细信息

多元时间序列在各个领域中广泛存在,如何从维度高、序列长度日益增长的时间序列中挖掘有效信息,发现隐藏模式,是一个具有重要意义的课题。作为时间序列数据挖掘的基础性工作,相比于一元时间序列,相似性分析在多元时间序列中的发展还不够成熟。通过阅读研究大量现有的时间序列相似性分析相关文献,针对目前已有方法中只能容忍一到两种变形、不能有效考虑变量的内部相关性及依赖参数设置等问题,本文分别从多元时间序列降维和改进现有一元时间序列方法两个角度出发,提出了两种面向多元时间序列的相似性度量方法。同时,在相似性度量的基础上,探索研究了基于K-近邻网络的多元时间序列聚类算法。本文的研究内容如下:(1)针对多元时间序列维度高、变量相关性强、序列不等长等特征,本文提出了一种基于分段范数表示和加权动态时间弯曲的多元时间序列相似性度量方法。首先,提出分层检测算法逐步检测多元时间序列的特征重要点,并通过基于误差的方法对多元时间序列进行统一分段。在分段基础上,引入Frobenius范数对分段矩阵及其协方差矩阵进行统一表示,从而得到降维压缩后的一元模式序列。最后,引入加权动态时间弯曲算法,对不等长的模式序列进行相似性度量,即可获得多元时间序列的相似性度量指标。(2)针对现有方法中忽略变量相关性和序列的局部形状特性问题,提出了一种基于共同主成分分析和局部特征改进的加权动态时间弯曲的多元时间序列相似性度量方法。首先,为了消除变量的内部相关性,并将各变量转换到同一个维度空间,引入并改进主成分分析方法,将多元时间序列转换为相互独立的主成分序列,并用各个主成分序列的方差贡献率作为该序列的权重。为了同时考虑时间序列的值特性和形态特征,引入时间序列点的特征值,改进加权动态时间弯曲算法,对变换后的主成分序列进行相似性度量。(3)针对现有聚类算法自发性弱、聚类效果差等问题,本文探索研究了基于K-近邻网络的多元时间序列聚类算法。基于前文提出的相似性度量指标,以多元时间序列对象为点,K-近邻关系为边建立有向加权K-近邻网络,权重值即为多元时间序列对象之间的相似度。在网络模型基础上,引入BGLL层次化社团结构划分算法,对网络中的时间序列对象进行聚类。为了对本文提出的多元时间序列相似性度量方法及聚类算法进行验证,本文分别采用了六个数据集进行相似性搜索、1-NN分类及网络聚类实验。实验结果表明,本文提出的方法具有切实可行性和有效性。

关键词：相似性度量多元时间序列加权动态时间弯曲 K-近邻网络聚类算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多元时间序列聚类算法及其选股策略应用研究

多元时间序列聚类算法及其选股策略应用研究

作者：魏苗华侨大学

学位级别：硕士

时间序列数据在生产与生活中普遍存在,已有不少学者对时间序列挖掘技术进行研究。随着研究深入,一元时间序列挖掘技术逐渐成熟,其在金融证券领域也得到广泛应用。例如,利用时间序列分析证券市场的特征,进行交易建议等。金融时间序列分... 详细信息

时间序列数据在生产与生活中普遍存在,已有不少学者对时间序列挖掘技术进行研究。随着研究深入,一元时间序列挖掘技术逐渐成熟,其在金融证券领域也得到广泛应用。例如,利用时间序列分析证券市场的特征,进行交易建议等。金融时间序列分析成为金融研究中的重要方向。多元时间序列数据同时利用多个指标描述对象,其表达的信息,隐藏的知识远远多于一元时间序列。但是由于其高维性和复杂性,目前对于多元时间序列的研究相对不足,在金融应用方面也缺少基于多元数据的分析。本文针对多元时间序列聚类技术从不同角度出发,提出两种新的多元时间序列聚类模型:（1）引入属性权值和模糊隶属度矩阵提出一种属性加权的多元时间序列聚类方法。该方法根据不同维度数据的离散程度赋予相应维度不同权重,并通过距离信息将原始多元时间序列转换为模糊隶属度矩阵。最终,通过模糊均值聚类得到聚类结果。仿真实验证实该方法能够有效提升多元时间序列的聚类质量,适用于指定类簇的多元时间序列聚类。（2）提出一种无参数聚类方法,从复杂网络角度将基于社区发现的一元时间序列聚类拓展到多元时间序列数据中。新方法通过综合考虑多元时间序列数据在各个维度上的多个最近邻居数从而避免聚类过程中的参数选择。新方法能够自适应地确定数据集中的社区数量,实现多元时间序列的无参数聚类。仿真实验中证实,新的聚类方法在减少参数的同时保证了聚类结果的质量及聚类效率,并适用于聚类无先验知识多元时间序列数据集。此外,本文将所提出的两个新聚类模型与金融证券市场结合从而指导投资决策。首先,利用基于社区发现的无参数聚类方法找到多元股票数据集中存在的社区结构,确定适宜的聚类簇数。随后,利用属性加权的聚类方法得到最终聚类结果。依据该聚类结果提出两种不同目标的选股策略,结合马科维兹模型对选股策略进行了有效性检验。实验中证实利用新的聚类模型结合选股策略的投资组合其收益率优于对比算法与市场基准,对投资者具备参考价值。

关键词：多元时间序列聚类分析属性加权社区发现选股策略

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多元时间序列相似性搜索算法研究

多元时间序列相似性搜索算法研究

作者：马倩倩兰州理工大学

学位级别：硕士

多元时间序列广泛存在于现实世界中,如航天、金融、医疗、气象等领域。由于用多个变量描述事物的状态,多元时间序列更贴近现实而非理想状态,因而对于多元时间序列数进行据挖掘更有助于人们进行决策,所以研究多元时间序列数据挖掘问题具... 详细信息

多元时间序列广泛存在于现实世界中,如航天、金融、医疗、气象等领域。由于用多个变量描述事物的状态,多元时间序列更贴近现实而非理想状态,因而对于多元时间序列数进行据挖掘更有助于人们进行决策,所以研究多元时间序列数据挖掘问题具有重要的理论和现实意义,越来越得到人们的重视。多元时间序列的数据挖掘任务包括分类、预测、聚类等,在它们之前,相似性问题的研究是关键而重要的一步。时间序列相似性搜索是从时间序列数据库中发现与给定时间序列的模式很相似的时间序列,它是时间序列数据挖掘的首要问题,是解决时间序列其他挖掘任务的前提和基础,因而成为当前时序研究的热点。模式表示是衡量多元时间序列相似程度的方法,因此也成为多元时间序列相似性搜索的一项关键技术,在时间序列分析中占重要地位。迄今为止,人们对模式表示方法的研究大部分还是面向一元时间序列的,并且建立了较为全面、成体系的理论,与此形成鲜明对比的是,对多元时间序列模式表示的研究还很少且不够成熟。通过阅读及研究大量国内外时间序列数据挖掘及相似性搜索领域的文献,本文系统的研究总结了当前多元时间序列相似性搜索技术的发展状况,以技术发展框架为前提,对相似性搜索各个阶段中典型的算法进行了详细的描述和分析,指出所存在的问题,并在此基础上提出了相应的解决方法,主要研究工作包括： (1)多元时间序列数据库数据量庞大,一个重要问题是如何快速的找到需要的信息。为应对这个问题,本文引入分层思想来安排整个相似性搜索算法的执行过程。分层思想实质是逐步的、按照粒度不断细化的方式来解决问题的,这更加符合人类的思维方式,更加智能化和人性化。在对多元时间序列进行相似性搜索的过程中,通过逐层筛选,缩小搜索的范围,可以极大地减少计算量,提高算法执行的效率。 (2)研究各种从一元时间序列中提取出的重要点,分析其适用范围和优缺点,在此基础上进行改进和重定义,提取多元时间序列的特征点,并将这种特征点应用于多元时间序列分割和模式表示,更大程度的保留原序列的趋势信息,同时不忽略细节信息,使模式匹配的结果更加准确。 (3)多元时间序列中存在大量的噪声,这些异常点可能被提取从而影响序列表示,产生误判。本文借鉴一元时间序列中关于移动均值的概念,构造多元时间序列的移动均值,能够滤除噪声,使原序列变得“平滑”,得到更准确的趋势表示。然后根据缩距定理的推论对给定的多元时间序列数据进行筛选,该推论采用排除法,可直接将不符合条件的候选序列排除,筛选效果好,为后续的搜索打下了良好的基础。

关键词：多元时间序列相似性搜索分段特征点分层移动均值

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多元时间序列异常检测的研究

多元时间序列异常检测的研究

作者：周庆兰西南交通大学

学位级别：硕士

时间序列问题广泛存在于社会生产和生活中,因而时间序列分析具有重要的研究价值。本文目的是实现多元时间序列的异常检测。异常检测已经在金融、水文、气象、地震、视频监控、医疗以及其他领域给人们提供了很多有价值的信息,所以对它的... 详细信息

时间序列问题广泛存在于社会生产和生活中,因而时间序列分析具有重要的研究价值。本文目的是实现多元时间序列的异常检测。异常检测已经在金融、水文、气象、地震、视频监控、医疗以及其他领域给人们提供了很多有价值的信息,所以对它的研究有很大的意义。多元时间序列的异常检测主要涉及到多元时间序列的相似性度量函数和异常检测算法两个内容的研究。针对现有多元时间序列相似性度量函数存在的问题,本文提出一种改进方法即用一种基于主成分分析和分段线性表示的加权距离函数来度量多元时间序列间的相似性。该度量方法主要包括三个步骤：多元时间序列的PCA处理,单元时间序列间的相似性度量(采用基于面积的距离函数来实现)和多元时间序列间的相似性度量。本文的异常检测算法在k-近邻局部异常检测算法的基础上,采用上述改进的多元时间序列相似性度量函数来实现算法中的距离计算。因为该相似性度量函数考虑了更多相关因素,所以本文的异常检测算法得到的异常检测结果比基于其他相似性度量函数的异常检测算法得到的异常检测结果要好。最后,本文通过一些数据集对基于面积的距离函数以及本文改进的多元时间序列相似性度量函数进行实验分析,实验结果表明这两个函数都是有效的、合理的。用中证100指数做为数据集,分别对本文基于改进的多元时间序列相似性度量函数的异常检测算法和基于EROS距离的异常检测算法进行实验比较分析,实验结果表明本文的异常检测算法能够得到更准确的检测结果。

关键词：多元时间序列异常检测相似性度量函数异常检测算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多元时间序列数据挖掘中相似性算法的研究

多元时间序列数据挖掘中相似性算法的研究

作者：韩萌兰州理工大学

学位级别：硕士

多元时间序列广泛存在于各个应用领域中,如天文、金融、气象等。多元时间序列由于其含有多个变量的特殊性,使得其研究变得更加接近实际。通过对多元时间序列数据的挖掘,能够有效的帮助决策者进行正确的分析与决策,因而对多元时间序列数... 详细信息

多元时间序列广泛存在于各个应用领域中,如天文、金融、气象等。多元时间序列由于其含有多个变量的特殊性,使得其研究变得更加接近实际。通过对多元时间序列数据的挖掘,能够有效的帮助决策者进行正确的分析与决策,因而对多元时间序列数据挖掘的研究越来越受到人们的重视。多元时间序列数据挖掘主要包括相似性搜索、分类、聚类、预测、规则发现等。其中,相似性搜索问题是所有其它问题的重要前提和基础,其它问题都是在相似性搜索的基础上进行的,因此对多元时间序列相似性问题的研究显得尤为重要。通过阅读及研究大量国内外时间序列数据挖掘及相似性搜索领域的文献,本文系统的研究总结了当前多元时间序列相似性搜索技术的发展状况,以技术发展框架为前提,对相似性搜索各个阶段中典型的算法进行了详细的描述和分析,指出所存在的问题,并在此基础上提出了相应的解决方法,主要研究工作包括：(1)本文将EMD(经验模式分解)方法应用到多元时间序列当中,该方法首先用EMD方法对多元时间序列的每一维进行趋势提取,形成一个多元时间序列的趋势面;之后对这个多元时间序列趋势面用自底向上分段的方法进行分段,并将分段转化成由｛-1,0,1}构成的字符序列矩阵;最后通过统计字符序列矩阵的相似段数来比较两个多元时间序列的相似性。(2)本文提出用分层方法对多元时间序列进行相似性匹配,该方法首先利用下界距离过滤进行粗匹配,然后对筛选过的候选序列利用经验模式分解方法提取数据序列的趋势,并利用自底向上分段算法对趋势序列进行分段,将其转化为由｛-1,0,1}构成的字符矩阵,对字符矩阵进行二次匹配;最后用欧氏距离对其进行最终匹配。

关键词：多元时间序列相似性搜索 EMD 分层匹配