正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术

论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。

金融时间序列的数据挖掘技术与经典统计模型的比较

基于对时间序列的数据挖掘思想与经典建模法的基本思路分析和比较,总结各自的优缺点,并阐述二者是在本质上不同的两类重要的时间序列分析法。

基于时间序列的局部离群数据挖掘优化算法

针对数据量较大和数据维度较高导致离群数据挖掘困难的问题,提出基于时间序列的局部离群数据挖掘优化算法。将角度优化的全局嵌入算法和共同核主成分分析法相结合构建AOCKPCA降维算法,对海量高维时间序列降维处理;在蚁群算法中引入K-means算法,提升蚁群算法运算效率,降低不稳定性;将降维后的时间序列输入到优化后算法中,实现局部离群数据挖掘。实验结果表明,采用所提方法挖掘离群数据的准确率较高,误判的离群点个数较少,说明其挖掘效果较好。

基于小样本时间序列的数据挖掘技术研究

时间序列数据是一类典型的关系型数据,尤其是小样本时间序列数据。针对其样本少、部分信息未知的特点,提出将灰色系统和神经网络相融合,构建灰色神经网络,充分利用两种方法的优势对小样本时间序列数据进行有效挖掘。实验表明:构建的这种网络具有较高的预测精度,非常适用于小样本时间序列数据的挖掘。

浅谈数据挖掘中金融时间序列的粗糙聚类

金融时间序列分析与预测作为金融领域重要研究方向,对于揭示市场动态、指导投资决策以及维护金融稳定具有关键意义。然而,金融时间序列数据具有复杂性、高噪声等特点,使得传统聚类方法在处理这些问题上往往存在局限性。粗糙聚类作为一种基于粗糙集理论的方法,具有处理上述问题的潜力。首先介绍粗糙集理论及粗糙聚类方法的基本概念和原理。然后,重点关注粗糙聚类在金融时间序列分析与预测领域的应用,包括宏观经济预测、股票市场分析等。最后通过实际应用实例,展示粗糙聚类在金融时间序列分析与预测中的重要价值。

基于数据挖掘与时间序列的用电量波动风险预警模型

为了获取准确的用电量波动风险预警,保障电力系统运行稳定性,研究基于数据挖掘与时间序列的用电量波动风险预警模型。采用模糊C均值聚类算法将历史用电量数据划分为产生波动的用电量数据和未产生波动的用电量数据。针对用电量产生波动的用户,根据历史用电量数据,采用基于时间序列的预测方法,考虑长期趋势、季节变化与不规则变动三方面影响因素,预测其在未来一段时间中的用电量数据。构建风险预警模型,将未来时间点预测用电数据同其上下基线进行比较,获取用电量数据走势,提前判断用电量是否会产生波动,若产生波动则进行预警。实验结果显示,所提模型可准确划分用户用电量数据类别,获取准确的用电量预测结果,预警准确率均高于97.5%。

基于数据挖掘技术的时间序列分类聚类应用研究

时间序列数据集作为数据序列的一种典型的类型,在各行业广泛存在,其既具有数据序列数据量大、高维等特性,同时具有时间特性.目前,各领域的时间序列广泛存在,如股票数据、医疗数据、水量监测数据等.应用于静态数据序列的数据挖掘方法,在时间序列的分析中效果不理想.那么,如何从具有时间特性的序列中发现异常、提取有价值的信息,成为数据挖掘研究的主要方向之一,同时也是本文研究的主要内容.

基于时间序列数据挖掘的用户负荷曲线分析方法

文中对时间序列数据挖掘的基本定义、应用任务展开了分析,讨论了一种基于时间序列数据挖掘的用户负荷曲线分析方法,具体包括原始数据采集、数据预处理分析、负荷数据降维处理、负荷数据重表达、提取负荷曲线形态、负荷曲线聚类分析等,并对用户负荷曲线影响因素进行了系统化分析,以此来积累相应的分析经验,为用户负荷管理活动提供参考。

海量异构资源敏感信息时间序列数据挖掘算法

为了保护用户敏感信息,能够进行有效的数据分析和决策制定,突出数据挖掘过程的加速比与准确率,提出一种海量异构资源敏感信息时间序列数据挖掘算法.利用TF-IDF计算异构网络敏感信息的特征向量,根据敏感信息特征提取的阈值,判断是否屏蔽敏感信息特征值,从而过滤掉异构网络中的敏感信息.利用标记向量初始化聚类中心,将每一个特征点依次分配到各自聚类中,重新计算敏感信息的聚类中心,对异构网络资源敏感信息进行聚类处理.为了提高挖掘准确性,算法进行标准化处理,并根据偏好函数对敏感信息时间序列进行加权处理.通过对时间序列数据的偏好流进行排序,计算出时间序列数据的净偏好流,按照不同偏好级别,挖掘出异构网络敏感信息的时间序列.实验结果表明,文中算法在挖掘敏感信息时间序列时的加速比更高,敏感信息时间序列数据挖掘准确率最高达98%.在加速性能和准确率方面具有显著优势,可以更有效地进行敏感信息的挖掘和处理.

时间序列数据挖掘综述

在综合分析近年来时间序列数据挖掘相关文献的基础上,讨论了时间序列数据挖掘的最新进展,对各种学术观点进行了比较归类,并预测了其发展趋势。内容涵盖了时间序列数据变换、相似性搜索、预测、分类、聚类、分割、可视化等方面,为研究者了解最新的时间序列数据挖掘研究动态、新技术及发展趋势提供了参考。

基于语义相似的水文时间序列相似性挖掘——以太湖流域大浦口站水位数据为例

利用数据挖掘技术从长期观测的数据序列中发现蕴藏的规律是当前研究热点之一。相似性挖掘是时间序列挖掘的基础,提出一种基于语义相似的水文时间序列相似性查询方法。首先利用小波变换将时间序列进行平滑处理,在此基础上进行极值点分段并符号化,每个符号代表一种语义模式,从而选取语义相似的子序列作为候选集,再将候选集中子序列通过动态时间弯曲距离进行精确匹配从而得到相似子序列(以太湖流域大浦口站水位数据为例),实验证明,该方法能够在大幅度降低时间复杂度的基础上较准确地查找出相似子序列。

基于时间序列数据挖掘的故障检测方法

为了有效地检测发动机试车实验中性能参数发生的异常,提出一种基于时间序列数据挖掘的发动机故障检测方法。通过基于形态特征的时间序列特征表示方法,将发动机参数时间序列转化为符号序列,再根据符号语义对发动机参数序列实现稳态特征和过渡态特征识别。同时,根据稳态序列的数据特征,利用基于统计特征的时间序列相似性度量结合最不相似模式发现方法实现发动机的故障检测。数值实验结果表明,与传统方法相比,本文方法能够有效地对发动机性能参数进行故障检测,并且具有较强的鲁棒性。

时间序列数据挖掘中特征表示与相似性度量研究综述

分别分析了时间序列特征表示和相似性度量在数据挖掘中的作用和意义,对目前已有的主要方法进行了综述,分析各自存在的优缺点;同时,探讨了将来值得关注的问题,为进一步研究时间序列数据的特征表示和相似性度量提供了方向。

基于小波分析的时间序列数据挖掘

将小波分析和ARMA模型引入时间序列数据挖掘中。利用小波消噪对原始时间序列进行滤波,利用小波变换充分提取和分离金融时间序列的各种隐周期和非线性,把小波分解序列的特性和分解数据随尺度倍增而倍减的规律充分用于BP神经网络和自回归移动平均模型的建模。利用小波重构技术将各尺度域的预报结果组合成为时间序列的最终预报。经过试验验证了该方法的实际有效性。

时间序列数据挖掘中的聚类研究综述

鉴于时间序列数据的高维性和复杂性给数据挖掘带来的困扰以及聚类分析在时间序列数据挖掘领域中的重要性,对目前该领域国内外相关时间序列数据聚类研究的状况进行综述。时间序列聚类总体上可分为整体时间序列聚类、子序列聚类和时间点聚类3种,分别从特征表示、相似性度量、聚类算法和簇原型等方面来研究,同时也结合了具体的应用分析。根据时间序列数据挖掘中聚类存在的主要问题,提出了部分未来值得关注和研究的内容和方向,以便更好地促进时间序列数据聚类分析的研究与发展。

数据挖掘在水文时间序列中的应用研究与进展

引入时间序列的数据挖掘理论与技术,在总结国内外数据挖掘在水文时间序列研究进展的基础上,进一步探讨了水文时间序列数据挖掘技术及应用,并展望了水文时间序列数据挖掘在分类聚类、相似性搜索、模式发现和趋势周期分析的研究方向,力求从理论框架上完善水文时间序列的数据挖掘研究。

面向数据挖掘的时间序列符号化方法研究

针对时间序列的数据挖掘首先需要将时间序列（Time Series）数据转换为离散的符号序列（Symbol Sequences），本文提出了一个简单高效的时间序列符号化方法，该方法的特点：一是利用线性化分段表示法所独有的形态分割与表达能力实现了时间序列的分段与表示；二是利用神经网络模糊聚类算法实现了时间序列的在线聚类。提出以矢量间形态相似性度量作为聚类依据。并利用该方法实现了对金融领域时间序列数据的符号化转换。

事件预测的时间序列数据挖掘方法

研究了应用数据挖掘技术预测时间序列数据中事件的方法。针对时间序列数据提出了显著特征提取算法,给出了特征间的相似度量标准,并应用特征聚类算法,将时间序列数据转换成相应的特征序列表示。应用频繁模式发现算法和预测模式生成算法在预测时段内发现与目标事件相关的时序特征模式,预测事件的发生。实验结果表明,该文所提出的方法能够有效地预测时间序列数据中的事件。

面向数据挖掘的时间序列聚类方法研究

一、引言自然界以及我们社会生活中的各种事物都在运动、变化和发展着,将它们按时间顺序记录下来,我们就可以得到各种各样的“时间序列”数据。对时间序列进行分析,可以揭示事物运动、变化和发展的内在规律,对于人们正确认识事物并据此作出科学的决策具有重要的现实意义。

基于时间序列的数据挖掘在证券中的应用

为更好地对股票数据进行分析,从理论上对数据挖掘中时间序列的产生、应用进行了研究,通过对时间序列处理以及相关性搜索的多种方法的比较和分析,设计一个以股票预测为对象的小型系统。该系统首先对时间序列进行适当的处理,然后进行相似性搜索,分析未来的短时间的走势是否是历史上的重现。同时对得到的结果进行了分析,实验结果表明,该方法能找到股票数据中历史上相似走势,并通过历史走势分析当前的走势。