基于金融时间序列的符号聚合近似测度的改进

针对金融时间子序列模式匹配准确率低的问题,提出了一种在金融时间序列中定位图形模式的新方法,即改进的符号聚合近似表示方法。利用子序列每个区段的最小值、平均值和最大值进行符号化,并采用余弦相似度作为模式相似性的衡量标准。采用香港股票市场的恒生指数HIS的历史数据进行仿真实验,实验结果表明,无论是从匹配时间还是匹配的准确性角度分析,所提算法均比传统的SAX方法和TD_SAX方法更有效,所需时间较短且可以产生更少的假阴性和假阳性序列。

基于改进SAX算法与贝叶斯超参数优化的配电网负荷-馈线智能匹配方法

新型电力系统下配电网运行方式调整愈来愈频繁,配电网负荷-馈线匹配面临采样数据高维异构且价值密度低、现有匹配算法对负荷物理特征依赖度高、参数设置灵活性弱等难点,为此提出一种基于改进SAX(符号聚合近似)算法与贝叶斯超参数优化的配电网负荷-馈线智能匹配方法。首先,建立面向离散符号化时间数据序列的数据价值提升模型,将高维异构的数据近似表示为低维统一的符号,修正和填充异常数据、空白数据。其次,构建改进CNN-LSTM(卷积神经网络-长短期记忆)混合神经网络,对负荷数据进行所属馈线匹配分类训练,利用多头注意力机制深入挖掘负荷数据的潜在数学关系,降低对负荷物理特征的依赖度。然后,引入贝叶斯超参数优化算法对神经网络训练参数进行逐次更新,提高馈线拓扑变化时神经网络模型的灵活性与适应性。最后,对某地区100条馈线进行负荷匹配实验验证,结果证明所提方法较传统方法具有更高的匹配精度。