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。

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。

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。

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。

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。

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。

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 .

成品油零售价格变动对销售量影响研究——基于成品油价格时序数据挖掘分析

运用时序数据挖掘的方法,对成品油零售价格和销售量进行建模,探究成品油零售价格变动对于销售量的影响。基于个人记名加油卡客户的成品油交易数据,选取了标价和折扣率两个预测变量,使用SPSS Modeler 14.1软件中的时间序列节点,建立了一个具有良好预测效果的销售量预测ARIMA模型,该模型解释了标价和折扣率对销售量影响的时期、方向和程度。研究结果对于成品油零售企业制定价格策略具有参考价值,对于其他行业运用时序数据挖掘进行销售量预测亦有参考意义。

基于统计特征的时序数据符号化算法

为克服SAX(符号聚合近似)算法对时序信息描述不完整的缺陷,提出基于统计特征的时序数据符号化算法,与SAX不同的是,该算法将时序符号看作矢量,而各时序子段的均值和方差则分别作为描述其平均值及发散程度的分量.由于该算法能够比SAX提供更多的描述信息,因而在时序数据挖掘应用中能够获得比SAX更精确的结果.大量的实验也证实了它的出色表现.

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。

时序数据错误检测与修复研究综述

随着数据应用对数据质量要求的提高,时序数据清洗问题得到研究领域和应用领域的更多关注。在数据清洗过程中,错误数据检测和修复是两个关键步骤。近年来,研究人员在这两方面进行了诸多研究与探索。本文从时序数据质量问题、错误数据检测,以及错误数据修复步骤对当前研究技术等进展情况进行介绍,分析了当前时序数据清洗所存在的难点与不足。

传递熵变量选择的非线性系统时序预测模型

对于复杂非线性系统,难以准确分析其中各变量之间相互影响关系,且其原始数据时序不统一。因此对于时序预测模型,上述情况会产生辅助变量冗余和时序混乱进而影响预测效果。提出了一种基于传递熵变量选择的非线性系统时序预测模型,利用因果关系进行辅助变量的筛选;检测变量之间的迟滞,据此进行时序统一。通过一个简单的非线性模型对算法进行验证,得到了和理论分析相吻合的结果,并利用不同模型分别验证了算法的有效性。最后,使用某600MW燃煤机组的实际数据对模型进行验证。实验结果证明:该预测模型与之前的方法相比,不依靠机理分析,通过较少的辅助变量得到准确的预测结果和更好的泛化能力,节约了运行时间,可以满足现场运行要求。

一种时序关联规则改进算法的研究

对海量的时间序列进行处理,挖掘其背后蕴涵的价值信息具有重要的意义。本文结合了时序逻辑和数据挖掘的知识对基于FP_树的时序关联规则展开了研究,并在传统的算法基础上提出了一种改进算法。该方法不用生成大量的频繁模式候选集,从而提高了时序关联规则的挖掘效率。

Kernel-Shapelets:基于卷积网络的特征子序列学习方法

在时序分类领域中,基于特征子序列的方法因能给出个体分类的局部依据,从而具有较强的可解释性,但计算十分耗时,且分类表现相较于深度学习方法并不占优。深度学习方法虽在分类表现上优于其他方法,但缺乏可解释性。为了提高基于特征子序列方法的分类表现,增强深度学习方法的可解释性,提出基于CNN网络提取特征子序列的方法Kernel-Shapelets。该方法通过提取CNN的卷积核对应权重并作进一步筛选,从而提取出特征子序列,利用全局最大池化层的输出找出CNN网络的判断依据,从而提高模型的可解释性。通过在UCR时序数据集上进行实验,Kernel-Shapelets方法的平均分类准确率为82%,相比基于特征子序列的最优基准模型提高了15.4%,证明了Kernel-Shapelets能够利用CNN网络的学习能力提取出更有效、更具有辨识性的特征子序列,提取出的特征子序列也提高了CNN网络的可解释性。

数字趋势序列的子序列匹配算法

针对时序数据挖掘中传统趋势序列分析的缺点,提出了数字趋势序列、趋势序列展开等概念.根据数字趋势序列的特点,使用片段斜率所对应的弧度值来度量片段的趋势.针对数字趋势序列的子序列匹配问题,设计了DTW(Dynamic Time Warping)快速搜索算法.算法分为3个部分:DTW顺序搜索、约束机制、冗余消除机制.并使用实际的股票数据对算法进行了验证.