本文關(guān)鍵詞：基于特征的時間序列聚類

  更多相關(guān)文章： 時間序列 聚類 關(guān)鍵點 特征

【摘要】：時間序列數(shù)據(jù)挖掘作為數(shù)據(jù)挖掘的重要分支,其挖掘的對象是特定的,即為時間序列。不同于傳統(tǒng)的靜態(tài)數(shù)據(jù),時間序列是一種復(fù)雜的數(shù)據(jù)對象,描述事物的變化過程。而時間序列是無處不在的,如股票價格數(shù)據(jù)、圖像數(shù)據(jù)和文本數(shù)據(jù)等都可以看作為時間序列。作為數(shù)據(jù)挖掘的一個分支,時間序列數(shù)據(jù)挖掘研究主要有以下幾個方面：時間序列相似性搜索、時間序列聚類、時間序列分類、時間序列分割與模式發(fā)現(xiàn)、海量時間序列可視化和時間序列預(yù)測等。本文探討一種特定的時間序列聚類,即基于特征的時間序列聚類。 本文首先對時間序列挖掘、時間序列聚類以及基于特征的時間序列聚類做了一個總體的介紹；其次,對時間序列的特征和時間序列的相似性度量作了一個總體的概述；然后,根據(jù)已有的算法,提出一種改進的基于關(guān)鍵點提取壓縮維度的時間序列模糊聚類算法newFCM (new fuzzy C-means),以及在newFCM算法基礎(chǔ)上的時間序列動態(tài)聚類算法Dyn-Clustering。newFCM算法通過提取時間序列中的波峰、波谷或轉(zhuǎn)折點作為時間序列的關(guān)鍵點構(gòu)成關(guān)鍵點序列來表征原來的時間序列,以達到降維和去除噪聲的目的,同時采用蘭氏距離克服算法對奇異值敏感的缺點,并調(diào)整蘭氏距離,使其更準確地度量我們的關(guān)鍵點序列間的相似度。更進一步,引入基于基本統(tǒng)計特征的相似度度量,來克服算法不能發(fā)現(xiàn)平移或拉伸的時間序列的相似性的缺點。 本文進一步介紹了聚類效果度量標準,并利用這些度量標準從多方面對所提改進算法進行實驗評估。首先,對newFCM算法進行了參數(shù)評測實驗；然后,與傳統(tǒng)的FCM算法和K-means算法作對比,進行性能對比實驗；最后,利用newFCM和Dyn-Clustering對20只國內(nèi)商品期貨的價格和成交量序列進行實際應(yīng)用分析。實驗表明,用newFCM算法對時間序列進行聚類,聚類效果良好,效率更高。在實際應(yīng)用中,用newFCM算法對時間序列進行聚類,對于類別不是很明顯的時間序列,Dyn-Clustering算法能夠根據(jù)不同的時間段將其聚類到不同類別中,實現(xiàn)對時間序列的動態(tài)聚類,由此幫助人們進一步理解時間序列的動態(tài)演化性質(zhì),準確有效地把握其結(jié)構(gòu)特征。特別的,對于金融時間序列,通過對時間序列動態(tài)聚類,可以有效動態(tài)的把握時間序列的趨勢變化,以達到對時間序列趨勢變化預(yù)測的目的。
【關(guān)鍵詞】：時間序列 聚類 關(guān)鍵點 特征
【學(xué)位授予單位】：廣西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP311.13
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-14
• 1.1 引言8
• 1.2 時間序列挖掘8-9
• 1.2.1 時間序列的定義8-9
• 1.2.2 時間序列挖掘的任務(wù)與內(nèi)容9
• 1.3 時間序列聚類9-11
• 1.3.1 聚類9-10
• 1.3.2 時間序列聚類技術(shù)10-11
• 1.4 基于特征的時間序列聚類11-12
• 1.4.1 基于形態(tài)特征的時間序列聚類11
• 1.4.2 基于結(jié)構(gòu)特征的時間序列聚類11-12
• 1.4.3 基于模型特征的時間序列聚類12
• 1.5 論文的主要工作和結(jié)構(gòu)組織12-13
• 1.6 本章小結(jié)13-14
• 第二章 時間序列特征及其相似性度量14-19
• 2.1 引言14
• 2.2 時間序列類型14
• 2.3 時間序列特征14-16
• 2.3.1 形態(tài)特征14
• 2.3.2 結(jié)構(gòu)特征14-16
• 2.3.3 模型特征16
• 2.4 相似性度量16-18
• 2.4.1 歐氏距離17
• 2.4.2 動態(tài)時間彎曲17
• 2.4.3 符號化距離17-18
• 2.4.4 其他距離度量方法18
• 2.5 本章小結(jié)18-19
• 第三章 基于關(guān)鍵點的時間序列模糊聚類及動態(tài)聚類19-30
• 3.1 引言19
• 3.2 關(guān)鍵點19-21
• 3.2.1 關(guān)鍵點定義19-20
• 3.2.2 關(guān)鍵點提取20-21
• 3.3 改進的FCM算法21-27
• 3.3.1 距離度量21-25
• 3.3.2 算法框架25-26
• 3.3.3 算法步驟26-27
• 3.4 動態(tài)聚類算法27-28
• 3.5 本章小結(jié)28-30
• 第四章 基于關(guān)鍵點的時間序列聚類實驗評估與應(yīng)用30-44
• 4.1 引言30
• 4.2 實驗介紹30
• 4.3 對比算法介紹30-31
• 4.3.1 K-means算法30-31
• 4.3.2 FCM算法31
• 4.4 聚類結(jié)果評估標準31-33
• 4.5 實驗與分析33-39
• 4.5.1 算法參數(shù)調(diào)整實驗33-37
• 4.5.2 對比實驗37-39
• 4.6 對20國內(nèi)商品期貨的聚類39-43
• 4.6.1 數(shù)據(jù)介紹39-41
• 4.6.2 聚類結(jié)果與分析41-43
• 4.7 本章小結(jié)43-44
• 第五章 全文總結(jié)與展望44-46
• 5.1 全文總結(jié)44
• 5.2 展望44-46
• 參考文獻46-49
• 附件49-66
• 附件1：對原始數(shù)據(jù)進行壓縮求關(guān)鍵點序列的cutData函數(shù)代碼49-51
• 附件2: 改進的FCM算法代碼,即newFCM51-55
• 附件3: 計算任意一個聚類結(jié)果的準確率R的函數(shù)代碼55-57
• 附近4: 計算任意一個聚類結(jié)果的NMI函數(shù)代碼57-59
• 附件5：k-means算法代碼59-63
• 附件6：動態(tài)聚類Dyn_Clustering算法代碼63-66
• 致謝66-67

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馮凱文;孟凡榮;牛強;閆秋艷;;基于趨勢點狀態(tài)模型的時間序列預(yù)測算法[J];計算機應(yīng)用研究;2011年12期

2 周大鐲;李敏強;;基于序列重要點的時間序列分割[J];計算機工程;2008年23期

3 董云耀;楊望書;;基于時間序列趨勢模型的研究與應(yīng)用[J];杭州電子科技大學(xué)學(xué)報;2008年01期

4 李海林;郭崇慧;;基于云模型的時間序列分段聚合近似方法[J];控制與決策;2011年10期

5 宮正;劉曉燕;;時間序列短期趨勢信號模型研究[J];計算機技術(shù)與發(fā)展;2011年12期

6 曹文平;羅穎;熊啟軍;寧彬;;基于二次回歸的時間序列分割算法[J];計算機光盤軟件與應(yīng)用;2012年18期

7 胡家元;;運用時間序列辨識方法實現(xiàn)卡爾曼式自適應(yīng)天線[J];電波科學(xué)學(xué)報;1988年01期

8 林雪梅;;一種用于模擬膠函數(shù)檢測和肌力估計的多通道時間序列肌處理器的理論研究[J];國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊;1990年05期

9 陳遠;王菲菲;;基于時間序列的電子商務(wù)市場預(yù)測系統(tǒng)研發(fā)[J];情報科學(xué);2009年12期

10 孫兵;劉雯;田地;宋桐;富妍;;基于時間序列的數(shù)據(jù)挖掘在證券中的應(yīng)用[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2010年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預(yù)報方法及其應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學(xué)術(shù)年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預(yù)測[A];中國系統(tǒng)工程學(xué)會決策科學(xué)專業(yè)委員會第六屆學(xué)術(shù)年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責(zé)任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學(xué)習(xí)逼近[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法[A];第十五屆中國管理科學(xué)學(xué)術(shù)年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術(shù)論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數(shù)量經(jīng)濟學(xué)（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學(xué)決策與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第六次年會論文集[C];1990年

中國重要報紙全文數(shù)據(jù)庫 前7條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學(xué)：協(xié)整與有條件的異方差自回歸[N];中國社會科學(xué)院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預(yù)計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

7 房鵬;數(shù)碼書信寄真情[N];中國電腦教育報;2005年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王曉曄;時間序列數(shù)據(jù)挖掘中相似性和趨勢預(yù)測的研究[D];天津大學(xué);2003年

2 李桂玲;時間序列的分割及不一致發(fā)現(xiàn)研究[D];華中科技大學(xué);2012年

3 周勇;時間序列時序關(guān)聯(lián)規(guī)則挖掘研究[D];西南財經(jīng)大學(xué);2008年

4 張勇;時間序列模式匹配技術(shù)研究[D];華中科技大學(xué);2012年

5 董曉莉;時間序列數(shù)據(jù)挖掘相似性度量和周期模式挖掘研究[D];天津大學(xué);2007年

6 姜向榮;短時間序列預(yù)測建模及應(yīng)用研究[D];北京郵電大學(xué);2009年

7 許娜;時間序列的分形及其混沌分析[D];北京交通大學(xué);2011年

8 李新杰;河川徑流時間序列的非線性特征識別與分析[D];武漢大學(xué);2013年

9 甘敏;基于狀態(tài)相依模型的非線性時間序列建模及其優(yōu)化方法研究[D];中南大學(xué);2010年

10 何曉旭;時間序列數(shù)據(jù)挖掘若干關(guān)鍵問題研究[D];中國科學(xué)技術(shù)大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 楊宇鵬;基于時間序列的數(shù)據(jù)預(yù)測問題研究[D];吉林大學(xué);2010年

2 張振;基于重要點模式的時間序列表示及其應(yīng)用[D];昆明理工大學(xué);2010年

3 卓明坤;時間序列短期趨勢信號模型研究[D];昆明理工大學(xué);2011年

4 毛興;階梯型時間序列時域分析及應(yīng)用[D];武漢科技大學(xué);2011年

5 董燕;近鄰數(shù)限制下的時間序列網(wǎng)絡(luò)分析[D];華東師范大學(xué);2012年

6 田雯;火災(zāi)時間序列的動力學(xué)研究及其預(yù)測[D];南昌大學(xué);2012年

7 李迎;時間序列聚類方法研究[D];遼寧師范大學(xué);2012年

8 陳思揚;時間序列計量經(jīng)濟建模技術(shù)及比較研究[D];暨南大學(xué);2007年

9 鄭繼萍;時間序列的相似性挖掘及其在股票時間序列中的應(yīng)用[D];東北財經(jīng)大學(xué);2007年

10 王娜;時間序列建模預(yù)報的原理與應(yīng)用[D];長春工業(yè)大學(xué);2010年

，

本文編號：1064694