基于时序挖掘的船载雷达引导建模

如何为航天测量船测量设备提供高精度的引导信息是航天测量研究中的一个重要课题。为此,提出一种基于时间序列的数据挖掘技术来研究目标运动规律的方法,进而完成预测目标未来行为等决策性工作。采用某次飞行试验任务的测量数据进行实验测试,并建立模型,对雷达观测数据的变化特性给出描述。将此模型应用于测量设备的预测,可提高船载雷达设备的跟踪引导精度。

基于频繁时序挖掘的移动政务场景化服务策略研究

[目的/意义]现有移动政务信息逐渐呈现为泛在化、碎片化、个性化、交互性、原创性和分享性的特征,如何挖掘移动政务不同场景下用户的信息接受期望,并为其实现多元化和个性化的政务信息推送,这对于提升移动政务的服务水平和服务性能意义重大。[方法/过程]本文采用频繁时序的挖掘方法,对用户所处场景的政务信息接受期望进行有效地挖掘,并为用户在相应的场景精准地提供其期望的敏感性业务,这是提升移动政务服务黏性的重要路径。[结果/结论]提出了移动政务的“场景—行为—情境”的三维一景适配的服务策略,并将其细化为标准化和个性化适配服务策略,期望能为移动政务信息接受提供理论依据和实践指导。

基于时序和兴趣度约束的加权关联规则挖掘算法研究

为了解决关联规则挖掘算法中频繁集信息挖掘不完善和时序周期对事务集频繁项挖掘的影响问题,提出了一种基于时序和兴趣度约束的加权关系规则挖掘算法。该算法首先利用时序滑动函数对时序事务集进行发生概率估算和权值赋值,依据兴趣度约束函数和剪枝定理进行事务集化简,然后根据支持度和k-支持期望进行加权频繁事务集抽取,最后依据置信度进行加权关联规则导出。实验结果证明,该算法能够快速有效地挖掘出符合用户兴趣度的关联规则。

时序数据挖掘中的数据表示算法

针对时序数据挖掘中常见数据表示算法的缺陷,提出了基于关键点的误差检验分段算法。该算法首先提出了关键点的概念,接着设计了具有明确物理意义的关键点平滑公式。在此基础上,分析了传统算法在分段误差控制过程上存在的问题,提出利用中位数控制分段拟合误差的思想。最后进行了数据实验。

基于日历的时序关联规则挖掘算法

以日历格作为框架来研究时序关联规则,提出了一个有效的挖掘算法。在用户指定的日历模式下,首先通过一次扫描产生所有的频繁2项集及相应的1*日历模式,在此基础上产生k*日历模式,并利用聚集性质产生候选K项集及相应的日历模式,最后扫描事务数据库产生所有的频繁项集及其日历模式。实验证明,该算法具有较好的性能。

网络管理告警数据库中时序规则挖掘的一种新方法

提出一种基于“最小发生的双时间窗口约束”时序规则挖掘新方法 .该方法依据“双时间窗口”约束和“最小发生”判据 ,可判别在一个时间窗内的哪些告警事件导致了另一个时间窗内告警集合事件的产生 ,快速寻找出不同网络设备告警与其它网络设备告警之间的关联知识 .通过对采集某省级 IP网的告警数据库进行规则挖掘实验 ,表明该方法可以准确、快速地挖掘出海量网络告警数据库中大量有意义的时序规则 ,这些规则可作为先验知识用来指导网络智能化故障定位。

时序数据相似性挖掘算法研究

时序数据相似性挖掘是数据挖掘中的重要研究内容 .本文针对时序数据进行相似性挖掘方法的研究 ,通过对时序数据进行离散傅立叶变换 (DFT)将其从时域空间变换到频域空间 ,将时序数据映射为多维空间的点 ,提出一种基于距离的时序数据相似性挖掘算法 ,并对某钢铁企业电力负荷时序数据进行仿真实验 ,实验结果表明了算法的有效性 .

基于时序挖掘的异构网络多源目标数据融合方法研究

异构网络存在多源目标数据,因此需要融合其中的重复性数据、同属性数据,但由于传统方法构建的模型跟踪效果较差,导致挖掘技术遗失了部分数据特征,影响多源目标数据融合,因此研究基于时序挖掘的异构网络多源目标数据融合方法。该方法利用构建的跟踪模型,搜索异构网络全局多源目标;并对搜索结果进行标准化处理后,规约标准数据;采用时序挖掘技术提取数据时域特征,实现对异构网络多源目标数据的融合。实验结果:在相对简单的异构网络中,所提出方法的特征挖掘误差,比两个传统方法低了近2.11%;在相对复杂的异构网络中,所提出方法的特征挖掘误差,比两个传统方法低了近6.48%。可见此次研究的数据融合方法,在提取特征数据时,能够减少对关键数据的遗失概率。

Microsoft时序数据挖掘算法研究

为了对时间序列数据信息的知识发现过程制定比较合理的长期或短期预测,从而为科学决策提供有效的依据,通过对ARTXP和ARIMA算法的研究与分析,提出ARTXP算法和ARIMA算法的有效混合模型,进而提高趋势分析的准确度与时效性。

免疫进化机制及其在时序模式挖掘中的应用研究

针对目前动态数据挖掘中存在的问题,提出基于数据增量的动态挖掘进程概念;在动态挖掘进程和生物免疫进化过程的相似性基础上,提出了知识发现中的免疫进化机制的基本内涵;给出了基于免疫进化机制的时序模式挖掘算法及其实验分析,以验证理论的正确性和有效性。

基于灰色系统理论的时序数据挖掘技术

阐述了嵌入知识的数据挖掘思想和数据挖掘技术现状 ,结合灰色系统理论首次提出了时序数据挖掘的灰色系统方法集 (GDMS) ,并以灰色系统中的GM (1 ,1 )模型为例 ,介绍了其具体算法。应用此算法对上海市 2 0 0 2～ 2 0 0 5年的上网户数进行了预测。

时序数据挖掘在AFC系统运营管理中的分析与应用

AFC系统的核心是票/卡售检票自动处理。为保证AFC系统正常运营,需要定期或按需执行票/卡调配。把时序数据分析技术与数据挖掘理论相结合,建立了适合数据挖掘中径向基函数神经网络的输入样本模型。该模型能够通过反复学习从时序数据中发现潜在的规律,并将其用于轨道交通客流量的短期预测。预测结果表明比采用BP神经网络模型的预测结果精度更高、效果更好。

基于变化序列的时序数据挖掘技术

给出了时间序列的变化序列和最近时间子序列的概念．并把最近时间子序列看作是时间序列的信息聚集器。基于这一现点,提出了基于变化序列的时序数据挖掘技术。先把待挖掘的时间序列转换成时间序列的变化序列,然后利用时间序列的变化序列的最近时间子序列隐含的知识,以指导对原时间序列的挖掘,并给出了挖掘算法。最后算例验证了该挖掘方法的可行性和有效性。

飞行时序数据相似性挖掘算法研究

提出了一种基于时间序列数据挖掘的飞行数据处理方法,结合大量 QAR 数据和领域专家经验知识,采用基于离散傅立叶变换的数据挖掘算法,将时间序列相似性匹配的方法引入到数据挖掘的研究中,并在时序搜索数据时考虑了噪声、幅度和孤立点等问题。

案例驱动的“时序数据分析与挖掘”课程教学改革

针对人工智能交叉学科背景下的复合型人才培训需求和目标,提出结合不同专业学生的研究领域和方向,采用案例教学模式与递进式设计理念结合的教学方法,介绍时间序列分析挖掘课程的实验设计和内容、教学方案和评价、课程反馈等,通过实施过程介绍说明教学改革取得了较好的成效。

基于时序数据挖掘的核电厂故障诊断技术研究

将时序数据挖掘引入核电厂故障诊断,把核电厂的故障诊断当作序列监督学习问题来对待,并采用滑动窗算法将序列监督学习问题转化为经典的监督学习问题。针对反应堆失水事故(LOCA)进行的仿真实验结果表明,在采用滑动窗算法后,诊断精度有一定的提高,再进一步对滑动窗内的时序数据进行特征提取后,诊断精度有了更大的提高,可以解决经典算法无法解决的问题。

基于时序数据挖掘的航班时刻规划方法分析

航空运输业的供求矛盾逐年加深,为了解决这个问题,提出基于时序数据挖掘的航班时刻规划方法。在时序数据挖掘中,采用因果规划方法直接关联航班时刻规划因素进行规划,通过时间序列规划方法同时关联航班时刻规划因素和随机变量进行规划。为了验证两种方法的实用性,构建一个分析模型,给出分析指标权重。分析结果显示,时间序列规划方法的规划结果与实际情况相符,排除因果规划方法,又通过实验验证出方法规划结果对原始航班时刻改动小,既符合航线要求,又协调了供求矛盾。

基于Agent的时序数据挖掘系统的研究

本文针对现有的数据挖掘算法的智能化低,结构化不清晰,通用性低等问题,将Agent技术引入数据挖掘系统中,通过分析指出了Agent技术在数据挖掘中的优势;其次,采用合同网和消息的多Agent方法设计了一个基于Agent的时序数据趋势分析的挖掘系统,增强了数据挖掘的智能性和有效性.

基于时序数据挖掘的电价执行异常分析模型设计

传统分析模型因只考虑数据的瞬时特性,导致模型难以捕捉隐藏的微弱异常数据。为此,设计基于时序数据挖掘的电价执行异常分析模型。通过动态划分时间粒度设置时序数据挖掘规则,然后结合电价网格密度挖掘电价执行异常时序数据,再通过删除与补偿挖掘数据建立电价执行异常分析模型。实验中设置用电异常数据比例分别为30%、15%以及5%,发现:与传统模型相比,本文模型对隐藏在海量数据中的异常数据也有很好的捕捉效果。

长短滑窗慢特征分析与时序关联规则挖掘的过渡过程识别

工况过渡过程与异常状态(故障)的数据特性极为相似。如果不对过渡过程加以辨识,极易导致过程监测系统频繁误报警,进而可能引发不适当的人工操作而严重破坏生产的稳定性。本文提出一种基于长短滑窗慢特征分析(slow feature analysis,SFA)与时序关联规则挖掘的过渡过程识别方法。首先,依据稳态工况和过渡工况在时间跨度上的差异性,提出一种长短滑窗与SFA相结合的多工况过程建模方法,将工况状态细分为多个稳态阶段与过渡阶段,并分别建立相应的离线SFA模型;然后,提出一种多时序多时间区间的同步频繁树构建方法,挖掘每种状态转变在多个时间序列与多个时间区间内的关联规则,以实现工况过渡过程的准确辨识。针对田纳西伊斯曼(Tennessee Eastman,TE)过程生成一组包含多模态相互转变的过程数据对所提方法进行实验验证,结果表明所提方法能够在频繁发生过程转变的过程数据中有效识别过渡过程,降低故障误报率,提高过程监测水平。