基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。

频繁时序模式挖掘方法综述

频繁时序模式挖掘是指从时间序列数据中发现频繁出现的模式或规律的过程,其目的是可以帮助理解时间序列数据中的重要特征,例如周期性、趋势和异常等,有助于预测未来的发展趋势和识别异常情况等。根据近年来的频繁时序模式挖掘方法的相关文献调研,按照关键技术和代表性算法将其分为三类,即基于结构约束的频繁时序模式挖掘方法、基于参数约束的频繁时序模式挖掘方法和基于窗口的频繁时序模式挖掘方法。陈述了频繁时序模式挖掘方法的背景以及各方法的特点;分别介绍了三类挖掘方法的发展以及分类,并从优缺点和性能等方面对各类改进方法进行了详细的对比分析;对频繁时序模式挖掘方法进行归纳和总结,并对频繁时序模式挖掘方法的未来研究方向进行了展望。

时序模式发现算法研究

针对时序数据 ,提出一种新的时序模式的逻辑表示法 ,通过分段线性表示法 ,将时序曲线拟合为线段序列 ,从而以相对应的线段的斜率反正切值序列作为模式的逻辑表示 .在此基础上 ,设计出时序模式发现算法 ,此算法能够自动地发现所有 (子 )模式 .有关实验结果证明算法是行之有效的 .

时序模式的几种开采算法及比较分析

本文介绍几种开采大型事务数据库中时序模式的几个典型算法 ,并对它们的效率进行比较分析 .

基于IRST的并行时序模式挖掘算法

提出一种建立在集群式高性能计算机上基于互关联后继树的并行时序模式挖掘算法,将数据线段化、树的建立及模式发现在多处理机上进行并行处理,有效地改进了算法的执行效率。实验结果表明,此算法较之串行算法有较高的效率。

利用反馈的时序模式挖掘算法研究

针对时序数据相似性挖掘方法进行研究 ,提出一种利用反馈的时序数据相似性挖掘算法 ,由用户赋予各初始范围查询得到的相似序列相应的权值 ,通过反馈与给定序列叠加产生新的查询序列 ,再次进行范围查询 ,获得相似序列。将该算法用于某钢铁企业的电力负荷时序数据 ,计算结果表明了算法的有效性。

论课程现代化的四个层面与时序模式

课程现代化是指适应社会转型的客观需要 ,使课程的现代性不断增长与发展的动态历史过程 ,是一个内在与外在的统一过程。现代性主要体现为 :变革性、时代性和发展性。课程现代化是一个由许多子过程构成的总体性过程 ,包含四个层次 :工具层面、制度层面、价值层面和主体层面。课程现代化由于受不同原因的影响 ,必然在时间上形成先后不同的序列关系 ,具有整体性、异步性和多质性 。

多重ANN/HMM混合模型在时序模式识别中的应用

针对样本集上样本之间存在较大差异的问题,提出了基于人工神经网络的隐马尔可夫(多重ANN/HMM)混合模型的思想,每重子模型能够自动聚合差异性较小的样本,最终各个子模型通过竞争的方式优胜的子模型作为该模型的最终结果.

数据流中时序模式支持度序列相关性分析

研究了数据流环境中时序模式支持序列的相关性分析问题.主要贡献包括:1)提出了基于多维球面和锥体划分思想基础上的时序模式支持度序列的相关性分析模型;2)提出了利用线性聚类的方法把多维球面划分为若干锥体的算法.实验表明,提出的解决方法可以高效地完成在数据流环境中对时序模式支持序列进行相关性分析的目的.

时序模式的一种神经网络分类方法

时序模式是指其特征空间分布在时间轴上的一种模式，如语音信号、雷达信号等．文中提出了一种改进的递归神经网方法——时间标签递归神经网方法，以此来对时序模式进行分类，克服了传统方法的缺点，取得了较好的分类效果．初步的实验结果不仅证明了时间标签递归神经网方法对时序模式的很好的分类能力，而且证明了时间标签对于时序模式分类的重要性．

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。

基于时序模式关联的股票走势分析研究

股票价格的走势分析一直是人们关注的课题。该文提出了一种不同于传统的数学建模方法，而采用时序模式关联的思想进行分析和预测。其方法是首先建立和维护基本的形态序列，对数据子序列采用线段斜率序列表示，进行子序列模式匹配，然后调用时序模式关联算法，并利用其结果进行预测．结果表明这种方法是有实际意义和效果的。

关于时序模式发现算法的研究

数据挖掘归属于决策系统,可以从浩瀚的数据库中挖掘出不易被发现的有用信息,并且可以进行预测,为管理层中决策者的决策提供科学依据。针对时序数据中的复杂模式问题,提出了一种时序模式算法,并描绘了算法的基本思想及给出了算法的简单伪代码。在用程序实现后,对算法的优劣进行了分析,为进一步改进和完善算法或者为寻找更为理想的算法提供了有益的启示。

基于时序模式匹配的k-近邻分类在流失预测中的应用

为了解决电信行业中如何预测用户流失的问题,该文提出了一种基于时序模式匹配的k-近邻分类方法。与传统的预测方法(如基于决策树的方法)相比,该方法分类时序数据时,不需要将时序数据离散化为非时序数据。该文详细描述了算法的设计以及在真实的电信数据上的应用。与C4.5方法的实验结果比较,表明了该方法有效地保留了时序的完整性,在一定程度上提高了预测准确率。

时序优先级约束的时序模式图强模拟匹配

图模式匹配是一种在图数据上进行高效查询的重要方法,有着广泛的应用前景,例如知识发现、社交网络分析、智能问答等。大多数现有的研究工作都是基于静态的图数据,而现实生活中的图数据很多属于包含时间信息的时态图,针对时态图上的模式图匹配,该文提出了一种时序优先级约束的时序模式图强模拟匹配算法(Temporal Priority Constrained Graph Pattern Strong Simulation Matching,TPC-GPSSM)。该算法在模式图的图拓扑结构的匹配过程中加入时间顺序约束,即考虑了时态图中不同时态边之间的时序优先级,同时通过设置冗余顶点过滤规则来缩小搜索范围,优化时序检查的队列顺序,以达到提前剪枝、减少计算复杂度的目的。提出了时态边聚合度来评价算法对时态边的过滤效果,在三个时序数据集上的大量实验表明,相比传统的强模拟算法,所提算法能够有效过滤错误结果,并且在不同规模的数据图上均具有良好的性能表现。

基于时序模式斜率反正切定量分析地形变数据

主要介绍时序模式基本算法与原理，通过对地形变数据进行反正切矢量化，求出整时值（每小时记录一个数据）的反正切值。其后推算出每个月的反正切值，对其每个月的相似误差进行拟合与分析，得出偏离1．2倍中误差的月份。通过对大姚2次6级以上的地震对应性分析得出，震前1-5个月有明显的异常现象，以此说明该方法在地形变数据处理中具有很好的实用性。

地震前兆时序模式存储及其检索方法研究

时间序列模式在很多领域中存在,时序模式的表示及存储查询是时间序列数据挖掘的重要任务之一。分析和研究了地震前兆时序模式的特点,采用半结构化语言XML并利用分段线性表示法表示地震前兆时序模式,在此基础上提出了针对Java、PL/SQL、命令行3种不同环境下地震前兆时序模式存储及查询方法,既保证了时序模式的存储查询效率,又满足了不同平台下针对时序模式的处理,从而进一步为地震预报服务。

基于过程挖掘的在线学习行为时序模式分析方法研究

在线学习行为的时序模式反映了在线学习行为随时间动态变化的规律,对于理解在线学习过程、设计有效的干预措施具有重要作用。目前,研究者主要采用滞后序列分析来探索在线学习行为的时序模式,但这种方法通常揭示不同在线学习行为之间的依赖性,由此推出在线学习行为时序模式不够准确,且难以对不同的时序模式进行量化比较。针对上述问题,文章将过程挖掘技术引入在线学习行为时序模式研究,提出了一个基于过程挖掘的在线学习行为时序模式分析方法,并据此开展了一项案例研究。研究发现:在一个主题单元期间,中途弃学者和持续学习者的在线学习行为时序模式并无显著差异,但是,在整个课程期间,持续学习者在时间与精力分配上与中途弃学者存在差异,表现出了更强的自我调节能力。

论现代化的时序模式

在本文中,作者认为,现代化是整体性的,是社会生活各个领域各个方面的一场全面性变革过程。但在实际的现代化进程中,不可能将现代化的各个方面同时推进,从而现代化在不同方面、不同因素之间,在时间上就形成了一种先后不同的序列关系,即现代化的时序模式。作者从政治的先决条件、经济起飞与政治整合的时间问题、经济现代化的延滞问题、社会与文化变革问题和城市化问题五个方面分析了现代化时序模式的主要差异;作者还从起点条件、危机与挑战出现的顺序、示范效应和现代化策略等方面探讨了影响现代化的时序模式差异的重要因素。

基于双模式驱动时序InSAR技术对天津滨海国际机场形变监测

为解决传统地面监测手段成本高、观测周期长等问题,时序干涉合成孔径雷达(InSAR)技术广泛应用于机场形变监测研究中,但不同单一时序InSAR技术均存在监测缺陷。差分干涉测量短基线时序分析技术(SBAS-InSAR)技术仅适用于大范围区域监测,缺乏单个地表点分析。永久散射体合成孔径干涉测量(PS-InSAR)技术过度依赖相干性,局限于线性形变。为解决单一化监测手段所存在的问题,采用双模式驱动时序InSAR(DMTS-InSAR)技术对机场形变进行分析。基于21景Sentinel-1A升轨雷达影像,以天津滨海国际机场局部区域为研究区,对DMTS-InSAR技术的监测结果进行评估,克服了单一技术分析的局限性。评估后发现滨海国际机场局部区域存在沉降现象,其中机场停机坪处的形变最为显著,最大垂直沉降速率达到25 mm/a。结果表明,利用DMTS-InSAR技术监测机场形变,可获取更为准确可靠的形变结果。