本文選題：shapelet　切入點：趨勢特征　出處：《計算機應(yīng)用》2017年08期 　論文類型：期刊論文

【摘要】：Shapelet是一種具有辨識性的時間序列子序列,通過識別局部特征達(dá)到對時間序列準(zhǔn)確分類的目的。原始shapelet發(fā)現(xiàn)算法效率較低,大量工作關(guān)注于提高shapelet發(fā)現(xiàn)的效率。然而,對于帶有趨勢變化的時間序列,采用典型的時間序列表示方法進(jìn)行shapelet發(fā)現(xiàn),容易造成序列中趨勢信息的丟失。為了解決時間序列趨勢信息丟失的問題,提出一種基于趨勢特征的多樣化top-k shapelet分類方法:首先采用趨勢特征符號化方法對時間序列的趨勢信息進(jìn)行表示;然后針對序列的趨勢特征符號獲取shapelet候選集合;最后通過引入多樣化top-k查詢算法從候選集中選取k個最具代表性的shapelets。在時間序列的分類實驗中,與傳統(tǒng)分類算法相比,所提方法在11個數(shù)據(jù)集上的分類準(zhǔn)確率均有提升;與Fast Shapelet算法相比,提升了運行效率,縮短了算法的運行時間,并在趨勢信息明顯的數(shù)據(jù)上效果顯著。結(jié)果表明,所提方法能有效提高時間序列的分類準(zhǔn)確率,提升算法運行效率。
[Abstract]:Shapelet is an identifiable subsequence of time series, which can accurately classify time series by recognizing local features. The original shapelet discovery algorithm is inefficient, and a lot of work is focused on improving the efficiency of shapelet discovery. In order to solve the problem of trend information loss in time series, the typical time series representation method is used for shapelet discovery, which is easy to cause the loss of trend information in time series. In this paper, a new method of top-k shapelet classification based on trend feature is proposed. Firstly, trend feature symbolization is used to represent the trend information of time series, and then the shapelet candidate set is obtained according to the trend feature symbol of the sequence. Finally, by introducing a variety of top-k query algorithms to select the most representative shapelets from the candidate set, the classification accuracy of the proposed method in 11 datasets is improved compared with the traditional classification algorithm in the experiment of time series classification. Compared with the Fast Shapelet algorithm, the algorithm improves the running efficiency, shortens the running time of the algorithm, and has a remarkable effect on the data with obvious trend information. The results show that the proposed method can effectively improve the classification accuracy of time series. Improve the efficiency of the algorithm.
【作者單位】： 中國礦業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院;
【基金】：國家重點研發(fā)計劃項目(2016YFC060908) 國家自然科學(xué)基金資助項目(61402482,61572505,52674255) 江蘇省自然科學(xué)基金資助項目(BK20140192)~~
【分類號】：O211.61

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 孫其法;閆秋艷;閆欣鳴;;基于多樣化top-k shapelets轉(zhuǎn)換的時間序列分類方法[J];計算機應(yīng)用;2017年02期

2 原繼東;王志海;韓萌;;基于Shapelet剪枝和覆蓋的時間序列分類算法[J];軟件學(xué)報;2015年09期

3 Hong YIN;Shu-qiang YANG;Xiao-qian ZHU;Shao-dong MA;Lu-min ZHANG;;基于趨勢特征的時間序列符號化方法（英文）[J];Frontiers of Information Technology & Electronic Engineering;2015年09期

【共引文獻(xiàn)】

相關(guān)期刊論文 前4條

1 閆欣鳴;孟凡榮;閆秋艷;;基于趨勢特征表示的shapelet分類方法[J];計算機應(yīng)用;2017年08期

2 余思琴;閆秋艷;閆欣鳴;;基于最佳u-shapelets的時間序列聚類算法[J];計算機應(yīng)用;2017年08期

3 孫其法;閆秋艷;閆欣鳴;;基于多樣化top-k shapelets轉(zhuǎn)換的時間序列分類方法[J];計算機應(yīng)用;2017年02期

4 林毅;張建偉;劉洪;;基于二次代碼集的飛行計劃配對算法研究[J];四川大學(xué)學(xué)報(工程科學(xué)版);2016年05期

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 原繼東;王志海;韓萌;;基于Shapelet剪枝和覆蓋的時間序列分類算法[J];軟件學(xué)報;2015年09期

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 施久玉,杜金觀;有限個狀態(tài)時間序列的某些結(jié)果[J];應(yīng)用數(shù)學(xué)學(xué)報;1990年01期

2 王霞,郭嗣琮,劉淑娟;時間序列模糊滑動預(yù)測[J];遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版);1999年03期

3 溫品人;時間序列預(yù)測法的實際應(yīng)用分析[J];江蘇廣播電視大學(xué)學(xué)報;2001年06期

4 許清海;混沌投資時間序列的嬗變[J];漳州師范學(xué)院學(xué)報(自然科學(xué)版);2003年01期

5 程毛林;時間序列系統(tǒng)建模預(yù)測的一種新方法[J];數(shù)學(xué)的實踐與認(rèn)識;2004年08期

6 高潔;長記憶時間序列適應(yīng)性預(yù)測的應(yīng)用[J];江南大學(xué)學(xué)報;2004年05期

7 高潔;孫立新;;長記憶時間序列的適應(yīng)性預(yù)測誤差的譜密度[J];統(tǒng)計與決策;2006年13期

8 楊鐘瑾;;淺談時間序列的分析預(yù)測[J];中國科技信息;2006年14期

9 李健;孫廣中;許胤龍;;基于時間序列的預(yù)測模型應(yīng)用與異常檢測[J];計算機輔助工程;2006年02期

10 耿顯民;;價格時間序列及其應(yīng)用(英文)[J];數(shù)學(xué)季刊;2008年01期

相關(guān)會議論文 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 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

3 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

4 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

5 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

6 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

7 劉瓊;任福繼;;股市預(yù)測算法及分析結(jié)果的自然語言生成[A];科技、工程與經(jīng)濟社會協(xié)調(diào)發(fā)展——中國科協(xié)第五屆青年學(xué)術(shù)年會論文集[C];2004年

8 蔣斌松;韓立軍;賀永年;;時間序列Lyapunov指數(shù)的估算及預(yù)測[A];礦山建設(shè)工程新進(jìn)展——2005全國礦山建設(shè)學(xué)術(shù)會議文集（下冊）[C];2005年

9 王會琦;馬洪;周永道;;基于信息融合的時間序列RAKE預(yù)測[A];全國第十屆企業(yè)信息化與工業(yè)工程學(xué)術(shù)年會論文集[C];2006年

10 盧世坤;李夕海;牛超;;基于AR模型-互信息量的時間序列非線性度量[A];國家安全地球物理叢書（九）——防災(zāi)減災(zāi)與國家安全[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 翁同峰;時間序列與復(fù)雜網(wǎng)絡(luò)之間等價性問題及表征應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

2 原繼東;時間序列分類算法研究[D];北京交通大學(xué);2016年

3 盧偉;基于粒計算的時間序列分析與建模方法研究[D];大連理工大學(xué);2015年

4 胡建明;基于正則化核學(xué)習(xí)模型的時間序列多步預(yù)測的研究與應(yīng)用[D];蘭州大學(xué);2016年

5 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

6 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

7 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

8 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

9 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

10 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

相關(guān)碩士學(xué)位論文 前10條

1 蘭鑫;時間序列的復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)換策略研究[D];西南大學(xué);2015年

2 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預(yù)測方法[D];南京信息工程大學(xué);2015年

3 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學(xué);2015年

4 郭力萌;基于統(tǒng)計信號處理的時間序列預(yù)測模型選擇方法研究[D];哈爾濱工業(yè)大學(xué);2015年

5 劉鑫;基于復(fù)雜網(wǎng)絡(luò)理論的心電時間序列自回歸模型研究[D];復(fù)旦大學(xué);2014年

6 夏斐;基于動態(tài)規(guī)劃和DTW匹配的時間序列索引方法研究[D];大連理工大學(xué);2015年

7 王維;基于傳統(tǒng)模型與數(shù)據(jù)挖掘法對長記憶時序的研究[D];南京大學(xué);2014年

8 張寧;離散值時間序列的統(tǒng)計分析[D];南京大學(xué);2015年

9 趙銀玲;復(fù)雜網(wǎng)絡(luò)到時間序列轉(zhuǎn)換過程中矩陣特性的研究[D];哈爾濱工業(yè)大學(xué);2014年

10 劉天慧;基于智能算法的時間序列預(yù)測方法研究[D];青島理工大學(xué);2015年

，

本文編號：1642047