针对时间序列多步预测的聚类隐马尔科夫模型

时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针对时间序列聚类中的距离计算问题,提出结合时间序列时间性和相似性的聚类算法,并给出了迭代精化基于聚类的隐马尔科夫模型的方法.实验表明,本文提出的方法在时间序列多步预测中精度较高.

基于语义度量的RDF图近似查询

近似查询是图数据库资源管理的操作之一.已有工作主要基于距离来度量查询语句与图的近似值,忽略了两者之间的语义近似性.对于语义图的近似查询,忽略图与查询的语义近似将难以有效完成查询.针对该问题,本文在考虑语义近似的基础上为RDF(Resource Description Framework,资源描述框架)图的近似查询提出基于语义距离的度量方法.同时,为提高查询效率,本文提出语义结构剪枝策略.最后,我们构造查询框架以实现查询的响应过程,并在该框架下设计实验以评价本文方法.实验表明,本文方法可高效执行RDF近似查询并有效返回top-k结果集.

针对RDF概率图查询的基数估计方法

资源描述框架图查询中,准确估计查询结果的大小是查询优化器中的关键步骤.已有方法忽略了该图自身的不确定性以及子查询间的关联关系,无法有效估计结果.针对该问题,本文提出一种基于贝叶斯模型的基数估计方法.该方法引入贝叶斯网络模型,挖掘出子查询内的属性依赖.同时,在这些属性依赖的基础上提出子网拼接方法,计算出子查询间的影响因子.最后,利用以上信息准确估计出任意查询结果集的基数.实验表明:与已有方法相比,本文方法的准确性提高15%以上,性能没有大幅度下降.

RDF图的Top-k最短路径查询

最短路径查询是图数据管理与复杂关系挖掘的基本操作之一．本文针对资源描述框架图上的top-k最短路径查询，构造基于组件的索引，并在该索引的基础上实现查询的响应．查询优化阶段，针对查询效率问题，提出频繁路径以及结构剪枝策略，并给出有效性证明．实验表明，本文方法准确返回top-k最短路径并提高92％的查询速率．索引构造时间相比已有方法，提高约56％．同时，索引所占空间仅为原始数据大小的1～1．2倍．

面向企业生产集成系统的物料推荐系统

针对目前生产制造信息平台因多系统集成带来的物品检索量过大、信息冗余、人工筛选耗时、不支持近似查询等问题,提出一个可集成于当前工业信息系统的“物品-用户”组合推荐模型。该推荐模型组合了基于内容推荐和基于协同过滤推荐。在推荐项方面,考虑了推荐项的具体形态,全面分析物料清单(含零部件、半成品、产品)所包含的特征,提出基于内容相似、物料清单结构相似及两者集成的相似距离定义方法,并按物品的不同选择不同的方法来定义物品间的近似距离,同时以距离为基准划分主题或分类。对于模型中的用户,主要针对生产系统特点来量化用户兴趣、定义用户近似公式。最后,以系统套件的方式实现了推荐平台的建立,并引入最新的研究成果解决了系统冷启动问题。实验表明,物料推荐平台有效填充了现有信息系统的空缺功能,能为用户准确推荐满足其需求的物品,提高信息获取的效率。

基于集成模型的BOM近似度量方法

为满足多品种小批次、大规模定制模式下有效划分产品族的需求,全面分析BOM(Bill of Materials,物料清单)所包含的特征,概括已有结构近似方法并提出内容近似度量模型,在此基础上提出组合两者的集成模型.结构近似模型方面,以包含BOM层次结构和物料数量的相邻矩阵表示BOM,利用正交普氏分析法计算BOM与BOM之间的近似程度.内容近似模型方面,从BOM文本中提取有效特征,引入逆向词频法将文本特征转换成机器可识别向量形式,采用余弦近似公式完成向量近似的计算.集成模型提出基于基尼系数的权重分配方法集成结构和内容两种模型.最后,提供测试框架并通过实验评价集成模型较已有方法在模型性能及训练耗时上的优劣.

基于N阶近邻路网的车辆行程时间估计模型

车联网的提出为智能交通的研究提供了新的交通信息收集技术.针对短时交通中车辆的路网行程时间估计问题,提出了基于N阶近邻的隐马尔科夫模型,利用马尔科夫性质来解决道路行程时间的前后关联性问题,同时考虑不同道路的异构性构建了N阶近邻路网模型来模拟路网间的交互影响.针对短时交通中实时数据更新的问题,提出基于道路关联性算法,并结合车联网的采集技术给出了迭代更新模型的方法.实验表明,本文提出的方法在短时交通车辆行程时间预测中精度较高,能够在车辆行进中做出实时预测.

一种基于非参数贝叶斯估计的PHMM模型

传统时间序列模型很少从时间序列系统本身角度分析时间序列数据.目前,一种基于模式的隐马尔科夫模型(PHMM)实现了对时序数据系统的内部状态转换机制的建模,从而在时间序列的多步预测和相关性检测上提供了一种高效途径.然而,PHM M模型在考虑隐状态内部观测数据分布时,直接采用高斯分布进行估计的方法受训练数据影响较大.因此,提出一种利用非参数贝叶斯估计来计算模型隐状态内分布的方法.考虑到与固定状态集的隐马科夫模型不同,PHMM模型是一种无限状态隐马尔科夫模型,通过引入非参数HDP过程实现对PHMM模型两层随机过程的解释.实验结果证明,引入非参数估计后模型的预测效率显著提升.