基于正交局部保持映射和成本优化的多变量时间序列早期分类模型

时间序列早期分类(ETSC)有两个矛盾的目标:早期性和准确率。分类早期性的实现,总是以牺牲它的准确率为代价。现有基于优化的多变量时间序列(MTS)早期分类方法,虽然在成本函数中考虑了错误分类成本和延迟决策成本,却忽视了MTS数据集样本之间的局部结构对分类性能的影响。针对这个问题,提出一种基于正交局部保持映射(OLPP)和成本优化的MTS早期分类模型(OLPPMOAE)。首先,使用OLPP将MTS样本前缀映射到低维空间,保持原数据集的局部结构;其次,在低维空间训练一组高斯过程(GP)分类器,生成训练集每个时刻的类概率;最后,使用粒子群优化(PSO)算法从这些类概率中学习停止规则中的最优参数。在6个MTS数据集上的实验结果表明,在早期性基本持平的情况下,OLPPMOAE的准确率显著高于基于成本的R1_C_(lr)(stopping Rule and Cost function with regularization term l_(1)and l_(2))模型,平均准确率能够提升11.33%~15.35%,调和均值(HM)能够提升4.71%~9.01%。因此,所提模型能够以较高的准确率尽早地分类MTS。

基于2dSVD和高斯混合模型的多变量时间序列聚类

针对多变量时间序列(MTS)存在时间和变量两个维度,以及传统主成分分析(PCA)方法在MTS数据表示上的局限性,提出一种基于二维奇异值分解(2dSVD)和高斯混合模型(GMM)的MTS聚类算法。该文计算MTS的行-行和列-列协方差矩阵的特征向量,从时间和变量两个维度提取特征矩阵;用GMM从概率分布角度对特征矩阵进行聚类。数值实验结果表明,该方法对多变量时间序列具有更好的聚类效果。

基于滑动窗口的多变量时间序列异常数据的挖掘

与其它多变量时间序列(MTS)子序列显著不同的子序列,称为异常子序列(含异常数据)。该文提出了一种基于滑动窗口的MTS异常子序列的挖掘算法,使用扩展的Frobenius范数来计算两个MTS子序列之间相似性,使用两阶段顺序查询来进行K-近邻查找,将不可能成为候选异常子序列的MTS子序列剪去,对上海证券交易所股票交易情况MTS数据集进行了异常子序列(含异常数据)挖掘,结果表明了算法的有效性。

基于聚类的区间数时间序列的索引方法

在时间序列数据库中,大多数现有的相似性搜索方法都集中在如何提高算法的效率,而对于由不精确数据组成的时间序列如何进行相似性搜索,则研究比较少,不精确数据经常用区间数据来表示;通过识别区间数时间序列中的重要区间数,使得区间数时间序列的维数大幅度降低,该文针对由区间数组成的时间序列,提出了一种基于低分率聚类的索引方法。实验表明,该方法加快了区间数时间序列的查找过程,不会出现漏报现象。

统计方法在证券信息分析中的应用

翁小清，甄增荣．统计方法在证券信息分析中的应用．数理统计与管理，１９９７，１６（４），１９～２４．本文将中位数、配对ｔ检验、方差分析等统计方法应用于证券信息的定量分析中。

上市公司投资回报率的影响因素

影响证券投资者投资回报率的因素有很多，本文使用逐步回归方法从众多的因素中挑选出了对投资回报率有较大影响的因素，并建立了这些因素与投资回报率之间的数学模型。

基于子空间重构的无监督时间序列异常检测

时间序列异常检测旨在寻找时间序列中不符合预期的数据,为相关人员提供有价值的信息,一直以来都受到学术界和工业界的广泛关注。然而,现有时间序列异常检测方法大多忽略了复杂数据中的多种模式,不能充分利用已有模式信息进行有效的特征学习,造成检测效果不理想。为此,本文提出了一种基于子空间重构的无监督时间序列异常检测模型。首先,将原始时间序列转换至低维潜在空间,利用高斯混合模型在潜在空间聚类,将原始时间序列分割为多个独立子空间。之后,各个子空间训练子模型,实现多模式捕获。最后,通过各个子模型重构,实现异常检测。该模型在UCR和MIT-BIH的6个数据集上的检测效果显著地优于已有方法,证明了方法的有效性。

上市公司投资回报率的影响因素

上市公司投资回报率的影响因素翁小清甄增荣深圳证交所上市公司分为六大类：工业类、商业类、房地产类、公用事业类、综合类和金融类。截止到１９９５年１２月３１日，深圳证交所上市公司总共有１２７家，其中工业类上市公司有７５家，商业类上市公司有１０家，房地产类上...

参数检验在证券信息分析中的应用

本文将数理统计学中的两独立样本t检验应用于沪深上市公司的经营业绩比较;将带有交互作用的两因素方差分析应用于上海证交所五大类上市公司的经营业绩比较,取得了较好的结果。

多元化康复护理对体外反搏治疗稳定型心绞痛患者的价值

目的 探讨多元化康复护理对接受体外反搏治疗稳定型心绞痛患者的研究价值。方法 纳入2022年1月至2023年1月接受体外反搏治疗的68例稳定型心绞痛患者,随机分为对照组(未接受多元化康复护理,n=34)和康复组(接受多元化康复护理,n=34),均治疗1周,比较两组患者治疗前后运动耐量[6 min步行试验(到达运动终点时间、6 min步行最大距离、终点ST段压低>1 mm次数)、代谢当量、最大摄氧量]及心功能[左室射血分数(LVEF)、左心室收缩末期内径(LVESD)、左心室舒张末期内径(LVEDD)]、心绞痛发生情况(心绞痛发作频率、疼痛持续时间)的差异。结果 接受体外反搏治疗前,对照组和康复组运动耐量及心功能差异无统计学意义(P>0.05)。接受体外反搏治疗后,与对照组相比较,对照组6 min步行最大距离、LVEF、代谢当量、最大摄氧量更高,而到达运动终点时间、终点ST段压低>1 mm次数、心绞痛发作频率、疼痛持续时间、LVESD及LVEDD更低(P<0.05)。结论 多元化康复护理能对接受体外反搏治疗稳定型心绞痛患者能进一步提高自我护理能力、运动耐量及心功能。

带有两个确定时滞的捕食——被捕食系统的全局渐近稳定性

本文对于带有两个确定时滞的捕食——被捕食系统进行了讨论,得到了使它的正平衡点全局渐近稳定的充分条件。

基于PAA的时间序列早期分类

在时间序列数据挖掘领域,时间序列的早期分类越来越受到人们的重视,由于时间序列的长度(也称为维数)较大,在早期分类的实际应用中选择合适的维数约简方法非常重要,因此提出一种基于分段聚合近似(PAA)的时间序列早期分类方法。首先运用PAA对时间序列样本进行维数约简,然后在低维空间对样本进行早期分类,在43个时间序列数据集上的实验结果表明,所提方法在准确率、早期性、可靠性等方面优于已有方法。

基于LDA符号表示的时间序列分类算法

近年来,基于符号表示的时间序列分类方法受到广泛关注,大部分现有方法对原始数据进行符号表示时,没有使用类别的标签信息。提出基于线性判别分析(LDA)的时间序列符号表示方法,考虑最大化类间区分度,使用LDA对原始数据集进行维数约减。再利用信息增益寻找降维后数据的符号投影区间,采用多重系数分箱(MCB)技术将维数约简后数据表示成符号序列。该方法在20个时间序列数据集上的分类效果好于已有方法,有监督的符号表示方法能有效提高分类性能。

时间序列早期分类综述

在总结了近年来关于时间序列早期分类相关文献和相关研究进展的基础上,对参考文献中的学术观点、分类方法进行了比较归类,内容涵盖了时间序列原始数据的早期分类,时间序列早期分类的特征提取与选择、评估方法,早期分类构造模型等方面,为研究者了解最新的时间序列早期分类研究动态、新技术、发展趋势提供了参考。

基于LLE和高斯混合模型的时间序列聚类

聚类分析是常见的数据挖掘方法,时间序列数据挖掘可以将海量时序信息转化成有组织的知识。由于时间序列具有高维度、非线性等特点,大多数聚类算法无法直接应用在原始时间序列数据上并取得令人满意的效果。研究如何在维数约简的同时尽可能多地保留数据的内蕴特征,识别代表知识的真正有趣的模式,具有重要意义。现有大多数时间序列聚类算法没有考虑数据集的局部结构,而数据集的局部结构对聚类性能有较大影响。提出一种基于局部线性嵌入(Locally Linear Embedding,LLE)和高斯混合模型(Gaussian Mixture Model,GMM)的时间序列聚类算法。首先从保留数据集局部结构的角度,使用LLE将每个高维时间序列样本表示为其k近邻的线性组合,并在低维空间进行重构,在保持数据集局部几何结构的同时实现维数约简;然后使用GMM从概率分布的角度进行聚类分析。与已有方法相比,该方法在单变量时间序列聚类上具有更优的效果。

时间序列半监督分类综述

绝大多数现有的时间序列分类方法需要大量已标记样本,但这样的数据非常难获得且价格昂贵。因此,当已标记样本较少时,如何使用大量无标记样本来改善分类性能已成为广受关注的问题,本文对近年来时间序列半监督分类方面的研究,从基于实例、基于聚类、基于模型的角度,进行了比较归类,为了解时间序列半监督分类的技术及发展趋势提供了参考。

基于2DSVD的多变量时间序列半监督分类

目前时间序列半监督分类研究主要集中在单变量时间序列,由于多变量时间序列(MTS)变量之间存在复杂关系, MTS的半监督分类研究比较少.针对这种情况,提出一种基于二维奇异值分解的MTS半监督分类方法,该方法首先计算行-行以及列-列协方差矩阵的特征向量,然后从MTS样本中提取特征矩阵;特征矩阵的行数以及列数不仅比原MTS样本低,而且还清晰地考虑了MTS样本的二维特性.在10个MTS数据集上的实验结果表明,该方法的分类性能显著地好于使用扩展Frobenius范数、中心序列、以及基于一维奇异值分解的半监督分类方法.

基于符号表示的时间序列分类综述

一种有效的时间序列符号表示方法不仅可以实现数据高效降维,且对噪声具有鲁棒性,对于提高分类算法的性能和效率具有重要意义。本文从基于趋势特征、基于聚类或进化计算、基于文本以及基于频率域的角度,对近年来基于符号表示的时间序列分类方法的研究进行比较归类,为研究者了解最新的符号时间序列分类方法研究动态和发展趋势提供参考。

基于LPP的时间序列半监督分类

在时间序列研究领域,半监督分类技术越来越受到广泛关注,绝大多数现有研究都是对原始时间序列直接进行半监督分类,一般情况下,时间序列的维数(长度)比较高,在半监督分类方法中选择合适的降维技术非常重要。本文提出了一种基于局部保持投影的时间序列半监督分类方法。该方法首先使用局部保持投影对时间序列样本进行维数约减,然后对降维后的数据进行半监督分类。在15个时间序列数据集的实验结果表明,该方法的分类性能显著地好于已有方法。