本文選題：時間序列分析 + 決策支持��； 參考：《中國科學技術大學》2014年博士論文

【摘要】：科技的發(fā)展使得現(xiàn)代企業(yè)和機構可以應用智能信息管理系統(tǒng)來存儲和處理日常行為數(shù)據(jù)�；谶@些存儲數(shù)據(jù)檢測到的行為變化為后續(xù)管理層制定策略提供了有效的知識。一般而言,行為數(shù)據(jù)通常以時間序列的模式被存儲和分析。舉例來說,在交通事件管理中,分析人員通過監(jiān)測交通時間序列數(shù)據(jù)來實時監(jiān)測道路上發(fā)生的事件,從而為后續(xù)的事件處理決策的制定提供重要信息。在疾病爆發(fā)監(jiān)測中,正是基于各地區(qū)藥品購買和使用時間序列數(shù)據(jù),研究人員才能比較準確預測疾病的爆發(fā)情況,使及時制定應對策略和急救措施成為可能。在我們的研究中,這類基于時間序列數(shù)據(jù)來支持制定決策和戰(zhàn)略的研究被稱為基于時間序列的決策支持。 雖然現(xiàn)有關于基于時間序列的決策支持的研究已經展現(xiàn)了不錯的結果,但是仍然有兩個要點未得到重視：一是大部分關于基于時間序列的決策支持研究沒有在本質上認識到此類研究可以被認為是基于時間序列數(shù)據(jù)的異常點檢測。二是在解決問題的過程中大量的未被標注的數(shù)據(jù)沒有得到有效的利用,而標識數(shù)據(jù)的過程是需要大量人工勞動的。 我們認為通過在為基于時間序列決策支持提出的框架中引進正常情況預測和非監(jiān)督特征學習可以解決未被重視的兩個問題。為了檢測上述假設,我們通過實現(xiàn)兩個解決交通事件檢測的實驗性研究,分別驗證引入的兩個模塊。實驗結果表明：正常情況預測和非監(jiān)督特征學習確實能夠通過提升交通時間序列數(shù)據(jù)中的異常點檢測的精度和及時性,從而為后續(xù)的決策制定提供支持。 在第一個實驗中我們設計了一種合成方法將正常情況預測引入到交通事件管理中基于時間序列數(shù)據(jù)的異常點檢測—自動交通事件檢測。在合成方法中,正常交通情境預測和機器學習分類器是兩個重要的模塊。其中正常交通情境預測是通過分析以往正常情況下的交通數(shù)據(jù)來預測當前理論上正常的交通情況：路段的速度、占有率,以及流量。通過輸入的特征向量：真實的交通情況,預測的交通情況,和兩者的差別,機器學習分類器將當前的交通狀況分類成正常交通流和出現(xiàn)了事件的交通流。通過將合成方法應用于一個真實的交通事件數(shù)據(jù)集—I-880數(shù)據(jù)集,我們發(fā)現(xiàn)和基準方法相比較,這樣的方法能夠在一定錯誤警報下以比較短的時間檢測到更多的事件.第一個實驗研究結果為將來在交通事件檢測領域中整合時間序列方法和機器學習方法的研究工作提供了基礎。 在第二個研究性實驗中,我們探索了非監(jiān)督特征學習在自動交通事件檢測中的效果,預期可以解決兩個問題：1)將現(xiàn)存的未被標記的數(shù)據(jù)加以利用生成中心,為生成更高層次的特征向量做準備；2)進一步提高合成方法框架中的特征生成模塊,從而實現(xiàn)自動的特征向量選取和生成。因為類似于交通事件自動檢測,大多數(shù)的基于時間序列的決策支持都要求算法在實時情況下能夠高效執(zhí)行,所以我們選擇了一種雖然簡單但是已經被證明在圖片識別領域非常有效的Spherical K-Means來實現(xiàn)非監(jiān)督特征學習。我們仍然通過I-880數(shù)據(jù)集來驗證算法的效果。實驗結果表明,當聚類中心的數(shù)目被正確選取時,我們可以得到比基準方法更為優(yōu)秀的結果。 雖然通過兩個實驗性研究單獨證明了正常情況預測和非監(jiān)督特征學習在交通自動事件檢測問題中的效果,我們仍然需要在后續(xù)的研究中研究兩個模塊合并之后的效果并嘗試找出為兩個模塊選擇適合算法實現(xiàn)的規(guī)則。同時,我們?yōu)榛跁r間序列的決策支持所提出的框架在本論文中僅在典型的交通事件檢測問題中進行了測試。為了測試框架的適用性,我們需要在其他領域進行類似的實驗研究。
[Abstract]:The development of technology enables modern enterprises and institutions to use intelligent information management systems to store and process daily behavior data. Based on these stored data, behavioral changes provide effective knowledge for subsequent management strategies. Generally, behavioral data are usually stored and analyzed in a time series model. In the traffic incident management, the analyst monitors the events on the road in real time by monitoring the traffic time sequence data, thus providing important information for the decision making for subsequent event processing. In the monitoring of disease outbreak, it is based on the purchase and use of time series data from various regions. It is possible to predict the outbreak of the disease and make it possible to make response strategies and first aid measures in time. In our study, this kind of research based on time series data to support decision making and strategy is called decision support based on time series.
Although the current research on decision support based on time series has shown a good result, there are still two main points that have not been paid attention to: first, most of the decision support research based on time series does not essentially realize that this kind of research can be considered as an anomaly detection based on time series data. Two In the process of solving problems, a large number of non labeled data are not effectively utilized, and the process of identifying data requires a lot of manual labor.
We think that by introducing normal condition prediction and unsupervised feature learning in the framework of time series decision support, we can solve two problems that have not been paid attention to. In order to test the above hypothesis, we verify the two modules introduced by implementing two experimental research on traffic incident detection. It is shown that normal condition prediction and unsupervised feature learning can indeed provide support for subsequent decision making by improving the accuracy and timeliness of detection of outliers in traffic time sequence data.
In the first experiment, we designed a synthetic method to introduce normal situation prediction into the traffic event management based on time series data anomaly detection - automatic traffic event detection. In the synthetic method, normal traffic situation prediction and machine learning classifier are two important modules. Through the analysis of previous normal traffic data to predict the current normal traffic conditions in theory: the speed, occupancy, and flow of the road. Through the input feature vectors: real traffic conditions, the predicted traffic conditions, and the difference between the two, the machine learning classifier classifies the current traffic conditions into normal traffic. Flow and the traffic flow of the event. By applying the synthetic method to a real traffic event dataset, the I-880 dataset, we find that this method can detect more events in a short time under a certain error alert. The integration of time series method and machine learning method in the field of detection provides a foundation.
In the second research experiments, we explored the effect of unsupervised feature learning in automatic traffic incident detection. It is expected to solve two problems: 1) use the existing unlabeled data to make use of the generating center, prepare for the generation of higher level feature vectors; 2) to further improve the character generation in the framework of synthetic methods. As a module, automatic feature vectors are selected and generated. Because similar to the automatic detection of traffic events, most of the time series based decision support requires that the algorithm can execute efficiently in real time, so we choose a Spheric that is very simple but has been proved to be very effective in the field of image recognition. Al K-Means is used to implement unsupervised learning. We still verify the effectiveness of the algorithm through the I-880 dataset. Experimental results show that we can get better results than the baseline method when the number of cluster centers is selected correctly.
Although two experimental studies have demonstrated the effect of normal situation prediction and unsupervised feature learning in traffic automatic event detection, we still need to study the effects of the two modules in the follow-up study and try to find the rules for the selection of the two modules. The framework proposed in the decision support of time series is tested only in the typical traffic incident detection problem in this paper. In order to test the applicability of the framework, we need to carry out similar experimental research in other fields.

【學位授予單位】：中國科學技術大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：U491

【相似文獻】

相關期刊論文 前10條

1 Latricha Greene;Douglas Montgomery;吳永剛;;檢驗導彈系統(tǒng)計算機仿真模型的方法[J];航空兵器;1987年05期

2 朱華;徐敏;;ARPE功率譜估計方法[J];上海交通大學學報;1988年01期

3 段志善,常國光,聞邦椿;關于時間序列AR模型定階問題的一些研究[J];西安建筑科技大學學報(自然科學版);1989年04期

4 王憲杰,王彥;流腦疫情的灰色預測[J];電機與控制學報;1990年03期

5 侯舜華,洪國雄;信號的分維分析[J];上海海事大學學報;1993年04期

6 張亞崇 ,郭圣權;火炮射擊過程中航向變化的數(shù)學建模[J];火炮發(fā)射與控制學報;2000年01期

7 楊正瓴,林孔元,余貽鑫;用時間序列的李雅普諾夫指數(shù)計算預報電力系統(tǒng)中的某些失穩(wěn)現(xiàn)象[J];中國電機工程學報;2001年01期

8 肖武權,冷伍明;路堤沉降的時間序列動態(tài)預測方法[J];鐵道工程學報;2004年04期

9 王波;張鳳玲;;神經網絡與時間序列模型在股票預測中的比較[J];武漢理工大學學報(信息與管理工程版);2005年06期

10 韓敏;席劍輝;范明明;;神經網絡應用于多元變量時間序列的建模研究[J];儀器儀表學報;2006年03期

相關會議論文 前10條

1 吳炎;杜棟;;改進BP神經網絡及其對江蘇省糧食產量的仿真預測[A];決策科學與評價——中國系統(tǒng)工程學會決策科學專業(yè)委員會第八屆學術年會論文集[C];2009年

2 張玉峰;賈成剛;張文喜;;應用時間序列評估人工增雨效果[A];推進氣象科技創(chuàng)新加快氣象事業(yè)發(fā)展——中國氣象學會2004年年會論文集（下冊）[C];2004年

3 王永忠;曾昭磐;;混沌時間序列點預測方法研究[A];1999中國控制與決策學術年會論文集[C];1999年

4 王波;張斌;;一種基于云模型的時間序列特征表示方法[A];2005中國控制與決策學術年會論文集（下）[C];2005年

5 王有良;周文國;;基于時間序列的基坑水平變形預測模型[A];《測繪通報》測繪科學前沿技術論壇摘要集[C];2008年

6 王玉濤;程國輝;周建常;王師;;神經網絡在高爐鐵水硅含量預報中的應用[A];1998中國控制與決策學術年會論文集[C];1998年

7 許倫輝;傅惠;徐建閩;;基于分形維數(shù)的交通流預測模型及算法研究[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 胡坤;劉思峰;;時間序列灰色定權聚類模型[A];2004年中國管理科學學術會議論文集[C];2004年

9 蔣斌松;韓立軍;賀永年;;時間序列Lyapunov指數(shù)的估算及預測[A];礦山建設工程新進展——2005全國礦山建設學術會議文集（下冊）[C];2005年

10 何全軍;曹靜;張月維;;基于MODIS的廣東省植被指數(shù)序列構建與應用[A];中國氣象學會2007年年會生態(tài)氣象業(yè)務建設與農業(yè)氣象災害預警分會場論文集[C];2007年

相關重要報紙文章 前10條

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

2 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

3 本報記者 劉松柏;“超級月球”引發(fā)地震不成立[N];經濟日報;2011年

4 權證一級交易商 國信證券;正股走勢及時間序列主導下半年權證市場運行結構[N];證券時報;2006年

5 房鵬;數(shù)碼書信寄真情[N];中國電腦教育報;2005年

6 劉麗萍;時間序列季節(jié)調整描述經濟活動的利器[N];中國信息報;2000年

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

8 國泰君安期貨 吳泱 鄭騰;基金持倉與期貨價格關系的實證研究[N];期貨日報;2008年

9 倪成群;人民幣升值背景下中外金價和黃金投資收益關聯(lián)性研究[N];期貨日報;2008年

10 中期研究院 王璐 呂圳;重標極差法的期貨品種收益波動性研究[N];期貨日報;2008年

相關博士學位論文 前10條

1 楊正瓴;時間序列中的混沌判定、預報及其在電力系統(tǒng)中的應用[D];天津大學;2003年

2 張曉偉;水文動力系統(tǒng)自記憶特性及其應用研究[D];西安理工大學;2009年

3 倪麗萍;基于分形技術的金融數(shù)據(jù)分析方法研究[D];合肥工業(yè)大學;2010年

4 劉大同;基于Online SVR的在線時間序列預測方法及其應用研究[D];哈爾濱工業(yè)大學;2010年

5 張永林;車輛道路數(shù)值模擬與仿真研究[D];華中科技大學;2010年

6 崔亞強;滬深300股指內在復雜性分析及預測研究[D];天津大學;2010年

7 楊談;網絡混沌行為及其控制的研究[D];北京郵電大學;2009年

8 李星毅;基于相似性的交通流分析方法[D];北京交通大學;2010年

9 肖輝;時間序列的相似性查詢與異常檢測[D];復旦大學;2005年

10 盧占會;電力市場穩(wěn)定性研究[D];華北電力大學（河北）;2008年

相關碩士學位論文 前10條

1 Ashraf Fetoh Eata;[D];廈門大學;2001年

2 王麗敏;兩類模糊隨機時間序列預測方法[D];河北大學;2001年

3 王琦;時間序列在油田效益審計中的應用[D];吉林大學;2009年

4 韓冬梅;基于P2P的教學信息資源負載均衡調度算法的研究[D];哈爾濱工程大學;2010年

5 張雷;多層次分布式智能決策支持系統(tǒng)及應用研究[D];西北工業(yè)大學;2006年

6 王金翠;基于實測數(shù)據(jù)的風電場風速和風功率短期預測研究[D];東北電力大學;2010年

7 趙松雷;基于頻譜儀的無線自動測試系統(tǒng)與信號特性分析[D];北京郵電大學;2010年

8 姚蘭;中國民辦高等教育市場空間研究[D];河南大學;2007年

9 吳燁清;時間序列理論在軟件可靠性建模中的應用和研究[D];華中農業(yè)大學;2009年

10 曹曉琴;非線性優(yōu)化的混合算法及其應用[D];燕山大學;2010年

，

本文編號：1840788