隨著經(jīng)濟(jì)的發(fā)展,在金融,醫(yī)藥,地質(zhì),氣象,電子商務(wù),傳感器網(wǎng)絡(luò)等很多領(lǐng)域都會(huì)產(chǎn)生大量的時(shí)間序列數(shù)據(jù)。挖掘時(shí)間序列中隱藏的關(guān)聯(lián)關(guān)系并且對(duì)于后續(xù)時(shí)間序列進(jìn)行預(yù)測(cè)是一個(gè)重要的研究方向,對(duì)于生產(chǎn)生活具有十分重要的意義。由于時(shí)間序列流一般數(shù)據(jù)量比較大,數(shù)據(jù)隨著時(shí)間變化,具有連續(xù)性等特點(diǎn),所以難以采用傳統(tǒng)的關(guān)聯(lián)規(guī)則挖掘方法直接對(duì)時(shí)間序列進(jìn)行有效挖掘。目前對(duì)于時(shí)間序列數(shù)據(jù)流關(guān)聯(lián)規(guī)則挖掘已經(jīng)有一定的研究成果。這些研究多針對(duì)單時(shí)間序列和事務(wù)內(nèi)關(guān)聯(lián)規(guī)則的挖掘。而且通常在已經(jīng)模式化的時(shí)間序列上進(jìn)行關(guān)聯(lián)規(guī)則挖掘,對(duì)于多時(shí)間序列流的跨事務(wù)關(guān)聯(lián)規(guī)則挖掘的深入研究比較少,且對(duì)于關(guān)聯(lián)規(guī)則的研究通常忽略了順序性,大多不能實(shí)現(xiàn)增量挖掘關(guān)聯(lián)規(guī)則。本課題在時(shí)間序列預(yù)處理階段采用ITEO(Improved TEO)的分段線性表示方法,對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行壓縮表示。在時(shí)間序列聚類時(shí)提出IK-Means算法,增加聚類的類間間距,降低了隨機(jī)選擇初始聚類中心的不確定性。本課題采用3個(gè)參量(時(shí)間長(zhǎng)度,數(shù)值截距占最低點(diǎn)比率,線段斜率)表示模式,進(jìn)行歸一化度量相似度。在關(guān)聯(lián)規(guī)則挖掘過(guò)程,設(shè)計(jì)了基于多時(shí)間序列跨事務(wù)關(guān)聯(lián)規(guī)則的十字鏈表表示(IAMTL)方法�；谶@種存儲(chǔ)結(jié)構(gòu)能夠表示多條時(shí)間序列在固定的時(shí)間T內(nèi)的關(guān)聯(lián),在時(shí)間序列關(guān)聯(lián)規(guī)則中加入固定時(shí)間T限制,增強(qiáng)關(guān)聯(lián)規(guī)則的順序性。I-IAMTL算法采用修正支持度和置信度,增量的挖掘關(guān)聯(lián)規(guī)則,更加符合時(shí)間序列數(shù)據(jù)的特點(diǎn)。在算法挖掘出的關(guān)聯(lián)規(guī)則的驗(yàn)證部分采用前后件窗口(PCW)的方法對(duì)于關(guān)聯(lián)規(guī)則預(yù)測(cè)的準(zhǔn)確性進(jìn)行了驗(yàn)證。在實(shí)際熱電廠的數(shù)據(jù)和股票數(shù)據(jù)集上通過(guò)將已有算法與本課題的IAMTL和I-IAMTL算法對(duì)比,顯示了本課題所提算法的有效性。
【學(xué)位單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TP311.13;O211.61
【部分圖文】：

圖 2-3 時(shí)間序列的特征表示方法的自適應(yīng)方法主要有分段線性表示，符號(hào)化表示，奇異值分示方法是應(yīng)用相對(duì)普遍的表示方法。通過(guò)不同的線性化方法數(shù)據(jù)以直觀的線段形式表示。分段算法包括全局和局部?jī)煞N時(shí)間序列數(shù)據(jù)為基點(diǎn)找分段點(diǎn)。局部算法，根據(jù)局部特性，從的要求。全局的分段算法有自頂向下算法，自底向上算法。據(jù)起點(diǎn)終點(diǎn)連接，看做初始的擬合線段。然后遍歷時(shí)間序列最遠(yuǎn)的點(diǎn)，度量此距離與規(guī)定的閾值的大小，若是大于閾值點(diǎn)集合。不斷循環(huán)迭代，直到達(dá)到分段數(shù)，或者壓縮比超過(guò)過(guò)范圍。自底向上算法首先將相鄰的兩個(gè)數(shù)據(jù)點(diǎn)相連。然后合誤差，如果小于規(guī)定的誤差閾值則合并兩條線段。不斷迭連接相鄰線段的擬合誤差都不小于閾值，算法結(jié)束。符號(hào)化間序列用符號(hào)序列表示。奇異值分解方法（SVD）[31]利用主驅(qū)動(dòng)引擎，將高維時(shí)間序列降低為低維。這種方法通常應(yīng)用識(shí)別等領(lǐng)域。算法中比較常用的有固定窗口算法，用固定大小的窗口劃分

創(chuàng)建FP-tree結(jié)構(gòu)

FP-tree 結(jié)構(gòu)如圖 2-4。圖 2-4 創(chuàng)建 FP-tree 結(jié)構(gòu) 根 據(jù) 頭 節(jié) 點(diǎn) 鏈 表 順 序 首 先 從 I5 開 始 。 得 到 條 件< , >2 1 3 , I , I I :1。冒號(hào)后面的數(shù)字表示頻度。其中條件模式基綴模式一起出現(xiàn)的前綴路徑的集合。構(gòu)造條件 FP-tree 如圖
【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 袁曾瓊;;關(guān)于水文時(shí)間序列分析方法的研究[J];科技展望;2016年28期

2 李海林;郭崇慧;;時(shí)間序列數(shù)據(jù)挖掘中特征表示與相似性度量研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2013年05期

3 畢方明;王為奎;陳龍;;基于空間密度的群以噪聲發(fā)現(xiàn)聚類算法研究[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

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

5 賴軍;李雙慶;;挖掘滑動(dòng)時(shí)間衰減窗口中網(wǎng)絡(luò)流頻繁項(xiàng)集[J];計(jì)算機(jī)應(yīng)用研究;2011年03期

6 邱鳳翔;司風(fēng)琪;徐治皋;;電站關(guān)聯(lián)規(guī)則的主元分析挖掘方法及傳感器故障檢測(cè)[J];中國(guó)電機(jī)工程學(xué)報(bào);2009年05期

7 吳聰聰;李忠嘩;何丕廉;;基于矩陣的最大頻繁模式挖掘及其更新算法[J];微電子學(xué)與計(jì)算機(jī);2007年12期

8 秦亮曦,史忠植;多時(shí)間序列跨事務(wù)關(guān)聯(lián)分析研究[J];計(jì)算機(jī)工程與應(yīng)用;2005年27期

9 ;Principal component cluster analysis of ECG time series based on Lyapunov exponent spectrum[J];Chinese Science Bulletin;2004年18期

相關(guān)博士學(xué)位論文 前2條

1 周勇;時(shí)間序列時(shí)序關(guān)聯(lián)規(guī)則挖掘研究[D];西南財(cái)經(jīng)大學(xué);2008年

2 肖輝;時(shí)間序列的相似性查詢與異常檢測(cè)[D];復(fù)旦大學(xué);2005年

相關(guān)碩士學(xué)位論文 前2條

1 張文開;基于密度的層次聚類算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2015年

2 王中義;基于動(dòng)態(tài)支持度的流數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘[D];哈爾濱工業(yè)大學(xué);2014年

本文編號(hào)：2851588