基于时间序列关联分析的稳定运行规则提取方法

提出一种考虑运行方式变化时序的稳定规则提取方法。利用主成分分析进行敏感特征提取。对传统方法在数据标准化中存在的问题,通过数据均值化处理,保留原数据中各变量变异程度的差异信息。

多时间序列关联规则分析的论坛舆情趋势预测

为了预测论坛舆情及其动态演变趋势,基于多时间序列的关联分析,集中分析了论坛中3个量的时间序列之间的关联规则:活跃者之间的关系强度的时间序列、坚定支持者人数的时间序列以及坚定支持者成员的变化频度的时间序列。然后给出了一种新的基于多时间序列关联分析的论坛舆情预测算法(Forum sentiment trend prediction based on multi time series association rule analysis,TPMTSA),并在真实数据集和拟合数据集上进行了大量的实验。结果表明:TPMTSA算法具有有效性和较高的运行效率。研究结果可用于论坛舆情预警监控。

基于片段模式的多时间序列关联分析

本文对基于片断模式的多时间序列关联分析进行了研究,提出了一种分析方法。这一方法是,首先通过聚类找出在时间序列中频繁出现的片断模式,然后将找到的片断模式作为模板,对时间序列进行跨事务关联分析。我们采用中国证券市场1997～2001年的数据为测试数据集,对我们提出的算法进行了测试。测试结果表明,我们的算法是有效的。

基于时间序列的关联分析在技术监测中的应用研究

关联分析与序列分析的目的都是发现数据间的各种相关联系。关联分析用于发现同一时间段内的各种联系,而序列分析用于发现在时间上具有先后关系的联系。本文尝试将时间序列和关联分析进行有机结合,并以数控系统技术为案例进行了实证研究,研究表明基于时间序列的关联分析能更有效地反映技术变化的实际进程,深度揭示技术领域的动态变化。

基于统计分析的水文时间序列关联规则优化算法

基于方差分析、列联表检验以及兴趣度的定义,提出一种挖掘水文时间序列关联规则优化算法。算法把水文时间序列数据属性分成条件属性和决策属性,通过方差分析和列联表检验在关联规则生成之前剔除的属性和属性值;同时根据新的兴趣度定义,发现"有趣"规则。实验结果证明算法在水文时间序列分析的可行性。

时间序列关联维数计算方法及其实证分析

简要介绍传统关联维数计算方法 ,并针对经济数据的特点分析传统计算方法的局限性 ,研究关联积分期望值的推导过程 ,并根据推导公式对 AR(1)过程进行了实证模拟分析 。

二维类间边界Fisher分析的多元时间序列降维

针对传统边界Fisher分析及相关方法用于多元时间序列降维的局限性,提出一种基于二维类间边界Fisher分析的多元时间序列降维方法。针对边界Fisher分析进行模型改进,在本征图和惩罚图的基础上引入类间惩罚图,用来描述各个类中心之间的距离,并对目标函数进行改进,提出类间边界Fisher分析模型;对所提模型进行二维化拓展,提出基于二维类间边界Fisher分析的降维模型,使其能够直接处理二维矩阵数据,有效保留结构信息;通过计算协方差矩阵将多元时间序列集转化为等长特征集,利用降维模型将等长特征集投影到低维空间,达到数据降维和特征表示的目的。实验结果表明:所提方法能够有效对多元时间序列进行降维,达到良好的分类效果。

基于超声射频时间序列分析的乳腺病灶良恶性分类

尝试为乳腺病灶良恶性分类提供高精度且无创的影像辅助诊断手段,提出了基于超声射频(radio frequency,RF)时间序列分析的乳腺病灶良恶性分类方法。以275例女性乳腺病灶为样本,使用常规超声探头采集多帧超声回波RF信号,提取RF时间序列的分形维数(fractal dimension,FD)、频域特征和时域特征,以支持向量机(support vector machine,SVM)和随机森林作为分类器对乳腺病灶进行良恶性分类。分类结果如下:SVM受试者工作特征曲线下的面积(area under receiver operating characteristics curve,AUC)为0.914,分类准确率为85.37%,随机森林AUC为0.937,分类准确率为91.46%。与以往研究相比,提高了乳腺病灶良恶性的分类精度,并开发了乳腺病灶良恶性分类系统,可以给医生提供诊断参考。

湍流状况下的管式反应器中的速度时间序列关联维数分析

通过激光多谱勒测速仪(LDA)测得管式反应器中不同流点的速度时间序列,提出了关联维数在分析湍流场的速度时间序列的应用方法,并且得到关联维数在管式反应器中的径向和轴向的变化范围大约在1.5～2.5之间.随雷诺数Re的变化,关联维数的变化范围在1.0～2.5之间,由此可以推测关联维数为2.5有可能是湍流变化的一个临界值.提出关联维数可以用来判断涡漩的能量随时间的衰变阶数.通过使用这一方法扩展了研究湍流的思路,并且提出使用关联维数来判断湍流的可能性.

多维时间序列关联分析方法在电力设备故障预测中的应用

提出基于多维时间序列关联分析的电力设备故障预测方法:将电力设备拓扑网络设备节点的历史时间序列数据进行规范化,运用时间序列分解算法将时间序列进行分解;用一种时间序列模式表示方法,提取关键设备发生故障之前网络拓扑中设备节点的特征事件;并采用关联分析的方法挖掘设备指标运行趋势与设备工况之间存在的隐含关系,达到对故障或冲击进行有效预测的目的。实验证明,该方法能充分利用时间序列数据,发挥数据挖掘对于不确定性关系的分析和表达的优势,能够准确、有效地进行复杂电力设备故障预测。

信息不确定条件下时间序列的关联分析法

针对不确定信息环境中无法直接计算序列关联度的问题,提出了区间数序列关联趋势分析法(RTASI法).首先利用区间数距离表示不确定信息的差别,经过时移和翻转转换对序列进行匹配后,通过区间数序列之间的距离计算序列关联度,最后应用集对分析法对序列间的关联趋势进行分类.RTASI法将关联度计算的范围推广到不确定信息环境下,并给出序列关联趋势的分类结果.实验结果表明,RTASI法的分类准确率较高,其虚警率和漏警率均低于C均值法和模拟退火法,运行时间分别比C均值法和模拟退火法减少了77%和63.4%.

时间序列关联分析的灰色方法

给出了一种新的灰色关联度 ,讨论了其性质 ,并将它引入到时间序列的关联分析中 .得到了时间序列关联分析的灰色方法 .

基于灰关联分析的时间序列改变点搜索研究——以华东地区农业受灾面积序列为例

采用灰关联分析方法,构建了短时间序列中的改变点搜索算法,有效地解决了短时间序列改变点寻找的缺陷。首次将灰关联度算法应用到气象灾害时间序列改变点的搜索中,利用华东地区农业受灾面积时间序列实例来验证灰关联度算法的实用性和有效性。结果表明,用灰关联方法可以有效地获得改变点,并以此对时间序列的发展规律进行趋势与规律分析。

基于时间序列环境卫星影像的作物分类识别

环境星影像具有较高的时间和空间分辨率,利用其时序遥感数据进行作物信息提取优势明显。该文以黑龙江垦区友谊农场作物为研究对象,利用2010年6月至9月共10景HJ-CCD数据进行作物种植分类信息提取。首先,通过SPLINE算法对云影响区域插值去噪,重构时间序列影像数据;其次,通过分析试验区主要作物的光谱和植被指数时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了黑龙江友谊农场大豆、玉米和水稻的种植信息,分类总体精度达到96.33%。同时,将分类结果同基于时间序列植被指数影像的支持向量机和最大似然法分类结果相比较,结果表明,决策树分类效果最好,支持向量机次之,最大似然分类较差。研究表明,通过去云处理后构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,借助于决策树分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。

模糊神经网络及其在时间序列分析中的应用

给出了一种新型的模糊神经网络模型 .该模型不需要领域专家的知识进行指导 ,而是通过对样本竞争分类产生模糊规则 .每类样本对应于一条模糊规则 ,每条模糊规则的后件部分为一个对本类样本进行过学习训练的神经网络 .文章以模糊神经网络在时间序列分析中的应用为例 ,通过与传统的时间序列分析方法以及前向神经网络方法的对比 ,说明了新型模糊神经网络的有效性 .

金沙江流域月径流时间序列的混沌分析

在介绍重构相空间技术的主要定量指标（关联维数D2和柯尔莫奇诺夫熵）的基础上，以长江上游金沙江流域小黄瓜园站和蔡家村站的月径流时间序列为例详细说明了求取时间序列中的混沌特征数的方法；并且采用主分量分析（PCA分布）方法进一步验证了两个站的径流序列具有混沌特性。得到金沙江流域径流序列的预测年限不应超过7～9个月，为金沙江流域径流预测提供了科学的依据。

在线用户追评行为时间序列关联特征实证研究——以京东商城手机评论数据为例

[目的/意义]从时间序列角度,在线用户初评行为与追评行为具有时间上的滞后性,探索这种时间滞后性的用户行为特征,有助于电子商务平台掌握用户发布追加评论的普遍时间规律,辅助用户购买决策。[方法/过程]通过K-means聚类,把"初评—追评"时间间隔划分为短期、中期和长期3个阶段,对在线用户追评行为时间序列滞后分布特征和相关性进行分析,挖掘不同时间序列区间评论文本内容,总结在线用户追评行为时间分布特征规律。[结果/结论]以京东商城手机在线评论(初评与追评)为数据源,从时间维度上,揭示了在线追加评论时间序列滞后的幂率分布特征,对在线用户追评行为时间序列区间的评论内容进行文本挖掘,展现了在线用户追评行为时间序列关联特征和用户行为规律。[局限]跨平台不同类型在线产品追评数据未能予以完全考虑。

基于分形原理的时间序列分析及预测研究

引入分形原理分析时间序列问题.运用数组存储代替重复计算的方式改进饱和关联维数法,当时间序列样本数据为100时,改进饱和关联维数法的运行时间比改进前缩短了61倍,程序的运算步骤有效简化,且计算出的关联维为1.415 6,证明该时间序列具有分形特征.用变标度极差分析法求时间序列的Hurst指数,结果为0.907 4,说明该序列具有持续效应.用累加和变换法建立短时间序列的分形预测模型,建立的模型预测后一期数据的残差最大绝对值都小于1 mm.实验结果表明:使用分形原理可有效描述时间序列的有关特征,且分形预测模型为短时间序列的预测问题提供了一种新方法.

花园口断面年径流量时间序列混沌特性分析

以黄河花园口断面1953～2002年年平均径流量为时间序列资料，在G—P算法的基础上，用最小二乘法分别计算了关联维和Kolmogorov熵的稳定估计值。结果表明：①花园口年平均径流量变化存在着内在动力学机制，是由周期性和非周期性影响因子共同作用的结果，具有明显的混沌特性；②相空间吸引子的关联维为5．09，饱和嵌入维数为14，这说明要建立花园口年平均径流系统的数学模型，至少需要6个独立变最，重构相审问所需要的饱和嵌入维数为14；③Kolmogorov熵的稳定估计为0．14，说明花园口年平均径流量变化的平均可预报时间大约为7年；④用非线性确定性的混沌模型比完全的随机模型更适于描述黄河花园口年平均径流量的变化。

时间序列数据分析与预处理

时间序列分析中常常遇到的一个问题是如何有效地过滤噪音和约简数据 .本文通过修改传统的离散的傅立叶变换来过滤噪音和进行数据的约简 ,并尽可能保留原始时间序列的全局变化趋势 .为检验该方法的有效性 ,本文同时提出一个新颖的数据分类算法MCC ,并用该算法对股票回报率的变化进行预测 ,实验结果显示 ,用MCC算法在预处理后的数据上进行预测 ,其预测的命中率达到 6 3.6 8% ,而在原始数据上进行预测 ,其预测的命中率只有 4 8.98% .显然 ,通过对原始数据进行噪音过滤有效地改善了预测的精度 .另外 ,数据的约简也提高了预测算法的效率 .