本文選題：時間序列　切入點(diǎn)：相似性　出處：《安徽大學(xué)》2017年碩士論文

【摘要】：時間序列數(shù)據(jù)廣泛存在于經(jīng)濟(jì)金融、氣象科學(xué)等領(lǐng)域,時間序列的相似性研究具有深刻的理論意義與重要的實(shí)際應(yīng)用價值。時間序列數(shù)據(jù)挖掘研究中許多算法都是基于某種相似性度量的,時間序列的特征表示方法對相似性度量結(jié)果的好壞具有重要影響。本文在對國內(nèi)外經(jīng)典時間序列相似度量算法和特征表示方法進(jìn)行充分分析的基礎(chǔ)上,進(jìn)行了以下研究工作:首先綜述了時間序列數(shù)據(jù)挖掘的研究背景和實(shí)際研究意義,指出了時間序列特征表示和相似性度量的研究現(xiàn)狀,然后詳細(xì)介紹了最具代表性的時間序列特征表示方法和相似性度量算法,最后給出了兩種改進(jìn)的時間序列相似性度量算法。因?yàn)闀r間序列本身具有高維度、高噪聲的特點(diǎn),進(jìn)行相似性度量之前,需要對序列進(jìn)行特征表示。針對現(xiàn)有的特征表示方法在趨勢提取和維度約簡中存在局限性導(dǎo)致難以準(zhǔn)確高效的提取序列形態(tài)趨勢的問題,提出一種新的基于趨勢的改進(jìn)斜率距離相似度量算法。該算法首先將經(jīng)驗(yàn)?zāi)B(tài)分解方法與分段線性表示方法相結(jié)合,經(jīng)驗(yàn)?zāi)B(tài)分解方法具有過濾噪聲的優(yōu)點(diǎn),先用其提取序列的形態(tài)趨勢,再用PLR分段線性表示方法對趨勢序列進(jìn)行分段形態(tài)擬合,優(yōu)化了特征表示結(jié)果。在此基礎(chǔ)上結(jié)合序列的模式對斜率距離進(jìn)行改進(jìn),克服了斜率距離方法沒有考慮模式差異導(dǎo)致的相似度量結(jié)果誤差較大的缺陷。文中針對基于三元漲落模式的時間序列相似性度量方法模式劃分不夠細(xì)致,無法反映出序列的具體變化趨勢問題,還提出了一種新的基于形態(tài)模式的相似性度量算法。該算法首先對時間序列進(jìn)行分段線性表示,在此基礎(chǔ)上給出了七元形態(tài)模式的劃分方法,根據(jù)序列在不同時段的分段斜率值,確定分段的形態(tài)模式,并將序列的不同形態(tài)模式分別用不同的數(shù)字表示,從而將時間序列轉(zhuǎn)換成特殊的字符串序列,最后利用最長公共子序列方法計算字符串序列的距離作為時間序列之間的距離。理論分析和仿真實(shí)驗(yàn)證明本文提出的兩個方法在時間序列的相似性度量工作中度量結(jié)果的準(zhǔn)確度都有所提高,而且具有穩(wěn)定性好、對噪聲和平移不敏感的特點(diǎn)。
[Abstract]:Time series data widely exist in the fields of economy, finance, meteorology and so on. The research of time series similarity has profound theoretical significance and important practical application value. Many algorithms in time series data mining research are based on some similarity measurement. The feature representation method of time series has an important influence on the similarity measurement results. This paper makes a full analysis of the classical time series similarity measure algorithms and feature representation methods at home and abroad. The following research works are carried out: firstly, the research background and practical significance of time series data mining are summarized, and the research status of time series feature representation and similarity measurement is pointed out. Then, the most representative time series feature representation method and similarity measurement algorithm are introduced in detail. Finally, two improved time series similarity measurement algorithms are given, because the time series itself has the characteristics of high dimension and high noise. In order to solve the problem that the existing feature representation methods have limitations in trend extraction and dimension reduction, it is difficult to extract the trend of sequence morphology accurately and efficiently. A new trend-based improved slope distance similarity algorithm is proposed, which combines the empirical mode decomposition (EMD) method with the piecewise linear representation method, which has the advantages of filtering noise. Firstly, the morphological trend of the sequence is extracted, then the trend sequence is fitted with PLR piecewise linear representation method, and the feature representation results are optimized. On the basis of this, the slope distance is improved by combining the pattern of the sequence. This paper overcomes the shortcoming that the slope distance method does not take into account the pattern difference and the error of similarity measurement result is large. In this paper, the pattern partition of time series similarity measurement method based on ternary fluctuation pattern is not detailed enough. A new similarity measurement algorithm based on morphological pattern is proposed, which firstly represents the time series by piecewise linear representation. On this basis, the method of dividing the seven-element morphological pattern is given. According to the slope value of the sequence in different periods, the segmented morphological pattern is determined, and the different morphological patterns of the sequence are represented by different numbers respectively. To convert a time series into a special string sequence, Finally, the longest common subsequence method is used to calculate the distance of the string sequence as the distance between the time series. The theoretical analysis and simulation experiments prove that the two methods proposed in this paper are used to measure the similarity of the time series. The accuracy of the quantitative results has improved, Moreover, it has good stability and is insensitive to noise and translation.
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：O211.61

【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 馮希杰;長江三峽及其鄰區(qū)斷裂活動時間序列[J];華南地震;1991年02期

3 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

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

5 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

6 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(shí)踐與認(rèn)識;2004年08期

7 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

8 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

9 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

10 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(jī)輔助工程;2006年02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 馬培蓓;紀(jì)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(qiáng);;基于線性模型方法對時間序列中異常值的檢測及證券實(shí)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(jī)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(jì)數(shù)量經(jīng)濟(jì)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

相關(guān)重要報紙文章 前6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(jì)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(jì)經(jīng)濟(jì)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(shí)證分析[N];現(xiàn)代物流報;2007年

相關(guān)博士學(xué)位論文 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學(xué)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 張德成;滑坡預(yù)測預(yù)報研究[D];昆明理工大學(xué);2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學(xué);2015年

4 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

5 楊婷婷;用Argo浮標(biāo)結(jié)合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運(yùn)[D];中國科學(xué)院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關(guān)性及信息熵分析[D];北京交通大學(xué);2016年

7 原繼東;時間序列分類算法研究[D];北京交通大學(xué);2016年

8 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

9 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

10 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

相關(guān)碩士學(xué)位論文 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學(xué);2015年

2 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

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學(xué);2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預(yù)測研究[D];南京信息工程大學(xué);2015年

5 林健;基于改進(jìn)小世界回聲狀態(tài)網(wǎng)的時間序列預(yù)測[D];渤海大學(xué);2015年

6 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

7 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

8 姚茜;城市安全生產(chǎn)發(fā)展目標(biāo)研究[D];中國地質(zhì)大學(xué)(北京);2015年

9 謝翠穎;蘇州社會消費(fèi)品零售總額簡析[D];蘇州大學(xué);2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學(xué);2015年

，

本文編號：1699602