多元時間序列數(shù)據(jù)挖掘相似性分析方法及應用研究.pdf

1、多元時間序列在各個領域中廣泛存在，如何從維度高、序列長度日益增長的時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。作為時間序列數(shù)據(jù)挖掘的基礎性工作，相比于一元時間序列，相似性分析在多元時間序列中的發(fā)展還不夠成熟。通過閱讀研究大量現(xiàn)有的時間序列相似性分析相關文獻，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部相關性及依賴參數(shù)設置等問題，本文分別從多元時間序列降維和改進現(xiàn)有一元時間序列方法兩個角度出發(fā)，提出了

2、兩種面向多元時間序列的相似性度量方法。同時，在相似性度量的基礎上，探索研究了基于K-近鄰網(wǎng)絡的多元時間序列聚類算法。
　　本文的研究內容如下：
　?。?）針對多元時間序列維度高、變量相關性強、序列不等長等特征，本文提出了一種基于分段范數(shù)表示和加權動態(tài)時間彎曲的多元時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間序列的特征重要點，并通過基于誤差的方法對多元時間序列進行統(tǒng)一分段。在分段基礎上，引入Frobenius

3、范數(shù)對分段矩陣及其協(xié)方差矩陣進行統(tǒng)一表示，從而得到降維壓縮后的一元模式序列。最后，引入加權動態(tài)時間彎曲算法，對不等長的模式序列進行相似性度量，即可獲得多元時間序列的相似性度量指標。
　?。?）針對現(xiàn)有方法中忽略變量相關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的加權動態(tài)時間彎曲的多元時間序列相似性度量方法。首先，為了消除變量的內部相關性，并將各變量轉換到同一個維度空間，引入并改進主成分分析方法，將多元時

4、間序列轉換為相互獨立的主成分序列，并用各個主成分序列的方差貢獻率作為該序列的權重。為了同時考慮時間序列的值特性和形態(tài)特征，引入時間序列點的特征值，改進加權動態(tài)時間彎曲算法，對變換后的主成分序列進行相似性度量。
　?。?）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)絡的多元時間序列聚類算法?；谇拔奶岢龅南嗨菩远攘恐笜?，以多元時間序列對象為點，K-近鄰關系為邊建立有向加權 K-近鄰網(wǎng)絡，權重值即為多元時