多元時(shí)間序列數(shù)據(jù)挖掘相似性分析方法及應(yīng)用研究.pdf

1、多元時(shí)間序列在各個領(lǐng)域中廣泛存在，如何從維度高、序列長度日益增長的時(shí)間序列中挖掘有效信息，發(fā)現(xiàn)隱藏模式，是一個具有重要意義的課題。作為時(shí)間序列數(shù)據(jù)挖掘的基礎(chǔ)性工作，相比于一元時(shí)間序列，相似性分析在多元時(shí)間序列中的發(fā)展還不夠成熟。通過閱讀研究大量現(xiàn)有的時(shí)間序列相似性分析相關(guān)文獻(xiàn)，針對目前已有方法中只能容忍一到兩種變形、不能有效考慮變量的內(nèi)部相關(guān)性及依賴參數(shù)設(shè)置等問題，本文分別從多元時(shí)間序列降維和改進(jìn)現(xiàn)有一元時(shí)間序列方法兩個角度出發(fā)，提出了

2、兩種面向多元時(shí)間序列的相似性度量方法。同時(shí)，在相似性度量的基礎(chǔ)上，探索研究了基于K-近鄰網(wǎng)絡(luò)的多元時(shí)間序列聚類算法。
　　本文的研究內(nèi)容如下：
　　（1）針對多元時(shí)間序列維度高、變量相關(guān)性強(qiáng)、序列不等長等特征，本文提出了一種基于分段范數(shù)表示和加權(quán)動態(tài)時(shí)間彎曲的多元時(shí)間序列相似性度量方法。首先，提出分層檢測算法逐步檢測多元時(shí)間序列的特征重要點(diǎn)，并通過基于誤差的方法對多元時(shí)間序列進(jìn)行統(tǒng)一分段。在分段基礎(chǔ)上，引入Frobenius

3、范數(shù)對分段矩陣及其協(xié)方差矩陣進(jìn)行統(tǒng)一表示，從而得到降維壓縮后的一元模式序列。最后，引入加權(quán)動態(tài)時(shí)間彎曲算法，對不等長的模式序列進(jìn)行相似性度量，即可獲得多元時(shí)間序列的相似性度量指標(biāo)。
　　（2）針對現(xiàn)有方法中忽略變量相關(guān)性和序列的局部形狀特性問題，提出了一種基于共同主成分分析和局部特征改進(jìn)的加權(quán)動態(tài)時(shí)間彎曲的多元時(shí)間序列相似性度量方法。首先，為了消除變量的內(nèi)部相關(guān)性，并將各變量轉(zhuǎn)換到同一個維度空間，引入并改進(jìn)主成分分析方法，將多元時(shí)

4、間序列轉(zhuǎn)換為相互獨(dú)立的主成分序列，并用各個主成分序列的方差貢獻(xiàn)率作為該序列的權(quán)重。為了同時(shí)考慮時(shí)間序列的值特性和形態(tài)特征，引入時(shí)間序列點(diǎn)的特征值，改進(jìn)加權(quán)動態(tài)時(shí)間彎曲算法，對變換后的主成分序列進(jìn)行相似性度量。
　　（3）針對現(xiàn)有聚類算法自發(fā)性弱、聚類效果差等問題，本文探索研究了基于 K-近鄰網(wǎng)絡(luò)的多元時(shí)間序列聚類算法。基于前文提出的相似性度量指標(biāo)，以多元時(shí)間序列對象為點(diǎn)，K-近鄰關(guān)系為邊建立有向加權(quán) K-近鄰網(wǎng)絡(luò)，權(quán)重值即為多元時(shí)