本文關(guān)鍵詞：多元時間序列的模式匹配問題研究

  更多相關(guān)文章： 多元時間序列 主成分分析 降維 模式匹配

【摘要】：在信息技術(shù)的帶動下，時間序列數(shù)據(jù)挖掘這一課題漸漸成為研究者們關(guān)注的熱門話題。相似性查詢是完成其他時間序列數(shù)據(jù)挖掘技術(shù)工作的首要步驟，而模式匹配是相似性查詢中的一項(xiàng)基礎(chǔ)性工作，因此模式匹配在時間序列數(shù)據(jù)挖掘領(lǐng)域中占據(jù)基礎(chǔ)而核心的地位。由于多元時間序列本身高維數(shù)的特性，導(dǎo)致多元時間序列的模式匹配方法的計(jì)算復(fù)雜度較高。如果先進(jìn)行降維處理，再使用模式匹配方法度量降維后的數(shù)據(jù)的相似性就會解決高維數(shù)帶來的計(jì)算復(fù)雜度較高的問題。本文將主成分分析方法加以改進(jìn)，提出共同主成分分析方法，利用平安銀行的股票數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，檢驗(yàn)共同主成分分析方法的優(yōu)越性，并且在共同主成分分析方法降維的基礎(chǔ)上，結(jié)合趨勢距離模式匹配方法，提出一種有效的多元時間序列模式匹配方法。主要內(nèi)容如下： 1）由于多元時間序列本身的高維數(shù)特性，導(dǎo)致現(xiàn)有的多元時間序列模式匹配方法在度量數(shù)據(jù)的相似性過程中具有較高的計(jì)算復(fù)雜度，而主成分分析方法是降維方法中最常用的。針對主成分分析方法的特點(diǎn)，本文提出共同主成分分析方法，該方法是在主成分分析方法的基礎(chǔ)上，，對其加以改進(jìn)。使用Matlab軟件，對2013年3月1日到2013年12月27日之間的200組平安銀行股票數(shù)據(jù)中能夠表現(xiàn)股票特征的六個屬性值，即開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、成交量和成交額，進(jìn)行仿真實(shí)驗(yàn)，并與主成分分析方法進(jìn)行對比，實(shí)驗(yàn)結(jié)果表明，共同主成分分析方法與主成分分析方法相比，能夠更好地降低原始多元時間序列的維數(shù)。 2）深入分析了現(xiàn)有的多元時間序列模式匹配方法的優(yōu)缺點(diǎn)，引入趨勢距離多元時間序列模式匹配方法，并與降維方法結(jié)合，提出一種有效的多元時間序列模式匹配方法。為了降低度量過程中的計(jì)算復(fù)雜度，本文利用共同主成分分析方法，先使用Matlab軟件對平安銀行從2012年3月1日到2012年12月21日的200組股票數(shù)據(jù)進(jìn)行降維處理，再利用趨勢距離模式匹配方法對降維后的數(shù)據(jù)進(jìn)行模式匹配，并且通過與動態(tài)時間彎曲距離方法和奇異值分解方法進(jìn)行對比實(shí)驗(yàn)來驗(yàn)證該方法的有效性。實(shí)驗(yàn)結(jié)果顯示該方法能有效地度量多元時間序列數(shù)據(jù)的相似性。
【關(guān)鍵詞】：多元時間序列 主成分分析 降維 模式匹配
【學(xué)位授予單位】：沈陽工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：O211.61
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-14
• 1.1 課題研究目的和意義9-10
• 1.2 國內(nèi)外研究概況10-12
• 1.3 論文的結(jié)構(gòu)及創(chuàng)新點(diǎn)12-14
• 第2章 預(yù)備知識14-23
• 2.1 時間序列的基本概念14
• 2.2 常用的降維方法14-17
• 2.2.1 離散傅里葉變換方法14-15
• 2.2.2 離散小波變換方法15-16
• 2.2.3 主成分分析方法16-17
• 2.3 常見的一元時間序列模式匹配方法17-18
• 2.3.1 Euclidean 距離方法17
• 2.3.2 動態(tài)時間彎曲方法17-18
• 2.4 常見的多元時間序列模式匹配方法18-23
• 2.4.1 Minkowski 距離方法18-19
• 2.4.2 動態(tài)時間彎曲距離方法19
• 2.4.3 奇異值分解方法19-20
• 2.4.4 基于點(diǎn)分布特征方法20-23
• 第3章 一種改進(jìn)的多元時間序列降維方法23-30
• 3.1 引言23
• 3.2 共同主成分分析降維方法23-24
• 3.3 實(shí)例研究24-29
• 3.4 小結(jié)29-30
• 第4章 一種有效的多元時間序列模式匹配方法30-35
• 4.1 引言30
• 4.2 趨勢距離模式匹配方法30-31
• 4.3 實(shí)例研究31-33
• 4.4 小結(jié)33-35
• 第5章 結(jié)論35-36
• 參考文獻(xiàn)36-40
• 在學(xué)研究成果40-41
• 致謝41

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 郭小芳;李鋒;劉慶華;;一種有效的多元時間序列相似性度量算法分析[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

2 鐘清流;蔡自興;;基于統(tǒng)計(jì)特征的時序數(shù)據(jù)符號化算法[J];計(jì)算機(jī)學(xué)報(bào);2008年10期

3 胡潔;;高維數(shù)據(jù)特征降維研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2008年09期

4 李正欣;張鳳鳴;李克武;;基于DTW的多元時間序列模式匹配方法[J];模式識別與人工智能;2011年03期

5 陳乾;胡谷雨;;一種新的DTW最佳彎曲窗口學(xué)習(xí)方法[J];計(jì)算機(jī)科學(xué);2012年08期

6 李海林;郭崇慧;;時間序列數(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

7 管河山;姜青山;王聲瑞;;基于點(diǎn)分布特征的多元時間序列模式匹配方法[J];軟件學(xué)報(bào);2009年01期

8 張軍;吳紹春;王煒;;多變量時間序列模式挖掘的研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2006年18期

9 毛紅保;馮卉;楊建華;劉亞軍;;面向相似性查詢的時間序列距離度量方法述評[J];計(jì)算機(jī)工程與設(shè)計(jì);2010年19期

10 楊興江;周勇;;多元時間序列相似性研究[J];西南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年04期

本文編號：973991