本文選題：時(shí)序數(shù)據(jù)分析　切入點(diǎn)：結(jié)構(gòu)學(xué)習(xí)　出處：《浙江大學(xué)》2016年博士論文　論文類型：學(xué)位論文

【摘要】：時(shí)序數(shù)據(jù)分析是一項(xiàng)重要的數(shù)據(jù)挖掘技術(shù)。在現(xiàn)實(shí)中,該科學(xué)技術(shù)不僅可以用于發(fā)現(xiàn)時(shí)序數(shù)據(jù)中潛藏的發(fā)展模式或演化規(guī)律,而且也可以用于預(yù)測(cè)時(shí)序數(shù)據(jù)的未來發(fā)展趨勢(shì)。時(shí)序數(shù)據(jù)分析通常包含兩個(gè)方面的科學(xué)研究,即結(jié)構(gòu)學(xué)習(xí)和模式預(yù)測(cè)。其中,結(jié)構(gòu)學(xué)習(xí)的目標(biāo)是利用時(shí)序數(shù)據(jù)樣本之間的內(nèi)在關(guān)系來提煉出新型的樣本特征或者樣本標(biāo)簽；模式預(yù)測(cè)的目標(biāo)則是在樣本特征和樣本標(biāo)簽之間建立起有一種有效的映射關(guān)系。相比于傳統(tǒng)的時(shí)序數(shù)據(jù)分析方法通常將上述兩者視為相互獨(dú)立的模塊,本文認(rèn)為結(jié)構(gòu)學(xué)習(xí)和模式預(yù)測(cè)存在著內(nèi)在的互動(dòng)聯(lián)系,并且從理論分析與模型設(shè)計(jì)上闡明結(jié)構(gòu)學(xué)習(xí)和模式預(yù)測(cè)是相互支持與相互促進(jìn)的。本文深入分析了實(shí)際應(yīng)用中可能出現(xiàn)的各種問題和挑戰(zhàn),在研究大量前人先進(jìn)工作的基礎(chǔ)上,提出了多種聯(lián)合結(jié)構(gòu)學(xué)習(xí)模型和模式預(yù)測(cè)模型的新型時(shí)序數(shù)據(jù)分析算法。論文工作的主要內(nèi)容和創(chuàng)新之處在于：一,提出了一種基于消費(fèi)者社會(huì)影響力分析的商品行為研究算法,并實(shí)際應(yīng)用于女裝商品的銷量預(yù)測(cè)。該算法首先利用電子商務(wù)平臺(tái)中的商品數(shù)據(jù)和消費(fèi)者數(shù)據(jù)來建立商品特征和消費(fèi)者特征,并以此研究商品之間的競爭合作關(guān)系和消費(fèi)者之間的社會(huì)影響力。其次,考慮到實(shí)際中的商品銷量變化同時(shí)存在平緩性以及波動(dòng)性,該算法將商品銷量分解為銷量主體部分和銷量噪聲部分,并分別進(jìn)行回歸建模。最后,該算法建立一種有效的優(yōu)化模型來聯(lián)合實(shí)現(xiàn)消費(fèi)者社會(huì)影響力的挖掘與商品銷量的預(yù)測(cè)。二,提出了一種基于慢特征分析的人臉年齡估計(jì)算法。該算法首先聯(lián)合人臉樣本的時(shí)序結(jié)構(gòu)和上下文結(jié)構(gòu)來建立結(jié)構(gòu)化人臉序列,并以此表征人臉樣本的內(nèi)在結(jié)構(gòu)。其次,該算法利用上述的結(jié)構(gòu)化人臉序列來提取人臉樣本的慢特征,并將其作為一種新型的人臉特征。最后,該算法建立一種有效的優(yōu)化模型來聯(lián)合實(shí)現(xiàn)結(jié)構(gòu)化人臉序列的構(gòu)造和人臉樣本年齡標(biāo)簽的預(yù)測(cè)。三,提出了一種基于自適應(yīng)年齡分布學(xué)習(xí)的人臉年齡估計(jì)算法。該算法首先利用子空間技術(shù)來發(fā)現(xiàn)人臉樣本的上下文結(jié)構(gòu)。其次,該算法基于樣本上下文結(jié)構(gòu)來建立人臉樣本的年齡分布,并將其作為一種新型的預(yù)測(cè)目標(biāo)；并且,樣本年齡分布的建立可以有利于研究者理解上下文相關(guān)樣本中的時(shí)序年齡關(guān)聯(lián)性以及分析年齡標(biāo)簽?zāi)：詥栴}。最后,該算法建立一種有效的優(yōu)化模型來聯(lián)合實(shí)現(xiàn)人臉樣本上下文結(jié)構(gòu)的發(fā)現(xiàn)與人臉樣本年齡分布的預(yù)測(cè)。
[Abstract]:Time series data analysis is an important data mining technology. In reality, this technology can not only be used to discover the hidden development patterns or evolution laws in time series data. It can also be used to predict the future trend of time series data. Time series data analysis usually involves two aspects of scientific research, namely, structure learning and pattern prediction. The goal of structure learning is to extract a new type of sample feature or sample label by using the inherent relationship between the samples of time series data. The goal of pattern prediction is to establish an effective mapping relationship between sample features and sample labels. This paper argues that there is an internal interaction between structural learning and model prediction. From the theoretical analysis and model design, it is explained that structural learning and model prediction support each other and promote each other. In this paper, various problems and challenges that may arise in practical application are deeply analyzed. In this paper, a variety of new time series data analysis algorithms for joint structural learning models and pattern prediction models are proposed. The main contents and innovations of this paper are as follows: 1. In this paper, a research algorithm of commodity behavior based on consumer social impact analysis is proposed. The algorithm first uses the commodity data and consumer data in the e-commerce platform to establish the commodity characteristics and consumer characteristics. Secondly, considering the smoothness and volatility of the real changes in commodity sales, we study the relationship of competition and cooperation between commodities and the social influence between consumers. The algorithm decomposes the sales volume into the main part of the sales volume and the noise part of the sales volume, and respectively carries on the regression modeling. Finally, The algorithm establishes an effective optimization model to jointly realize the mining of consumer social influence and the prediction of sales volume. In this paper, a face age estimation algorithm based on slow feature analysis is proposed, which combines the temporal structure and context structure of the face sample to construct the structured face sequence, and represents the inherent structure of the face sample. The algorithm uses the structured face sequence to extract the slow feature of the face sample and regards it as a new type of face feature. Finally, This algorithm establishes an effective optimization model to combine the construction of structured face sequences and the prediction of face sample age tags. In this paper, a face age estimation algorithm based on adaptive age distribution learning is proposed, which firstly uses subspace technology to discover the context structure of face samples. The algorithm is based on the sample context structure to establish the age distribution of face samples and take it as a new prediction target. The establishment of sample age distribution can help researchers understand the temporal correlation of contextual samples and analyze the fuzziness of age labels. This algorithm establishes an effective optimization model to combine the discovery of face sample context structure with the prediction of face sample age distribution.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：O211.61;TP301.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 關(guān)云鴻;楊靜;;高維時(shí)序數(shù)據(jù)的相似搜索[J];貴州大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年01期

2 郝善勇,劉玉樹;基于樣本數(shù)據(jù)重抽樣的時(shí)序數(shù)據(jù)預(yù)報(bào)方法[J];北京理工大學(xué)學(xué)報(bào);2000年05期

3 劉麗峰;時(shí)序數(shù)據(jù)庫中序列模式的采掘方法[J];經(jīng)濟(jì)師;2004年12期

4 楊振寧;;城鄉(xiāng)統(tǒng)籌發(fā)展評(píng)價(jià)指標(biāo)研究——基于時(shí)序數(shù)據(jù)[J];農(nóng)村經(jīng)濟(jì)與科技;2008年11期

5 龔振和;數(shù)據(jù)庫說明的時(shí)序問題[J];中國科學(xué)(A輯 數(shù)學(xué) 物理學(xué) 天文學(xué) 技術(shù)科學(xué));1987年01期

6 馬軍海,盛昭瀚;經(jīng)濟(jì)系統(tǒng)混沌時(shí)序重構(gòu)的分析和應(yīng)用[J];管理科學(xué)學(xué)報(bào);2002年03期

7 黃利會(huì);王雅鵬;;城市化、糧食生產(chǎn)與農(nóng)民收入增長關(guān)系研究——基于湖北省長期時(shí)序數(shù)據(jù)的檢驗(yàn)[J];生態(tài)經(jīng)濟(jì);2009年03期

8 馬軍海;王志強(qiáng);任彪;;除噪技術(shù)及其在匯率數(shù)據(jù)中的應(yīng)用研究[J];系統(tǒng)工程學(xué)報(bào);2005年06期

9 賀力克;聶平由;;時(shí)序數(shù)據(jù)故障點(diǎn)檢測(cè)方法分析比較及應(yīng)用[J];湖南師范大學(xué)自然科學(xué)學(xué)報(bào);2012年02期

10 馬軍海,陳予恕,辛寶貴;基于非線性混沌時(shí)序動(dòng)力系統(tǒng)的預(yù)測(cè)方法研究[J];應(yīng)用數(shù)學(xué)和力學(xué);2004年06期

相關(guān)會(huì)議論文 前2條

1 羅雄飛;王宏安;田豐;戴國忠;滕東興;;FisheyeLines:一種時(shí)序數(shù)據(jù)的可視化技術(shù)[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

2 陳懿冰;張玲玲;石勇;;基于改進(jìn)的支持向量回歸機(jī)的金融時(shí)序預(yù)測(cè)[A];第六屆（2011）中國管理學(xué)年會(huì)論文摘要集[C];2011年

相關(guān)博士學(xué)位論文 前2條

1 何周舟;基于時(shí)序數(shù)據(jù)的結(jié)構(gòu)學(xué)習(xí)與模式預(yù)測(cè)聯(lián)合優(yōu)化算法研究[D];浙江大學(xué);2016年

2 程文聰;面向大規(guī)模網(wǎng)絡(luò)安全態(tài)勢(shì)分析的時(shí)序數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 戚雪冰;風(fēng)電監(jiān)控系統(tǒng)中時(shí)序數(shù)據(jù)管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];東南大學(xué);2015年

2 鐘足華;衛(wèi)星遙測(cè)時(shí)序數(shù)據(jù)中預(yù)測(cè)算法研究[D];南京航空航天大學(xué);2015年

3 孫浩鑫;基于時(shí)序的山東省環(huán)境數(shù)據(jù)可視分析研究[D];山東大學(xué);2016年

4 韓驊宇;時(shí)序數(shù)據(jù)的高效存儲(chǔ)與檢索[D];北京交通大學(xué);2014年

5 周強(qiáng);時(shí)序數(shù)據(jù)挖掘在經(jīng)濟(jì)領(lǐng)域中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2005年

6 花珊;面向時(shí)序數(shù)據(jù)流的分布式緩存系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];中山大學(xué);2014年

7 周到;基于Microarray時(shí)序表達(dá)數(shù)據(jù)識(shí)別周期表達(dá)基因[D];華中科技大學(xué);2007年

8 張?jiān)?基于智能決策支持的時(shí)序數(shù)據(jù)挖掘系統(tǒng)的研究[D];華北工學(xué)院;2004年

9 趙國慶;基因表達(dá)時(shí)序數(shù)據(jù)聚類和比對(duì)分析方法研究[D];蘇州大學(xué);2011年

10 王丹;基于Hadoop平臺(tái)的時(shí)序數(shù)據(jù)處理方法研究[D];中國科學(xué)技術(shù)大學(xué);2015年

，

本文編號(hào)：1578337