时间序列模式及其预测模型算法应用

通过对时间序列模式分析研究,提出了时间序列的趋势性、季节性和随机性分析的应用模型及随机性12类预测数学模型算法,以该算法实现的数据挖掘系统经实际应用后效果很好。

基于分形的时间序列模式挖掘方法及其应用

研究了某些时间序列所具有的分形特征 ,分析了利用分形理论中的 R/S分析发现具有分形特征的时间序列模式的方法 .用 R/S方法可以从具有分形特征的时间序列中寻找变化规律 ,从而预测时间序列未来的发展趋势 .通过实例说明分形中的

基于Web的时间序列模式挖掘

序列模式挖掘是数据挖掘的重要研究课题之一，将其应用于Web环境具有重要意义。论述了Web时间序列模式挖掘问题，并给出了一种Web时间序列模式挖掘的有效算法。

灰色系统模型在时间序列模式中的应用研究

研究了利用GM (1,1)模型发现时间序列模式的方法 ,用GM (1,1)模型可以从时间序列中寻找变化规律 ,预测将来的发展趋势。并应用GM (1,1)模型分别对全国未来 10年耕地和粮食进行了预测 ,预测结果和一些知名学者的预测结果非常接近 ,说明GM(1,1)模型是挖掘时间序列模式的一个有效的方法。

一种基于分段线性的FKD时间序列模式表示

时间序列模式有利于提高时间序列数据挖掘的效率和准确率.本文在时间序列分段线性表示法的基础上,提出了一种FKD时间序列模式表示.该模式具有简单直观、拟合误差小等特点.通过实验验证,FKD时间序列模式表示是有效的,有利于时间序列的异常挖掘.

基于形状的时间序列相似性度量及模式发现算法

针对目前时间序列模式发现中使用的时间序列相似性度量易受尺度(scale)和平移的影响,不适应基于形状的时间序列模式发现,本文提出了一种重标和平移不变的时间序列相似性度量:Sh 度量,给出度量的性质及其证明。同时提出了基于Sh度量的时间序列形状模式发现算法,并对算法的有限次迭代终止性和时间复杂性进行了证明。论文最后通过对人工数据和太阳黑子数据的实验证明了本文提出的Sh度量及基于形状的时间序列模式发现算法的有效性。

一种序列模式的概念及挖掘算法

介绍了一种时间序列模式的形式和概念 ,讨论了其相关的挖掘算法 .将时间序列模式既用于具有时间关系的购买行为的分析 ,以揭示购买行为后面一种序列关系信息 ,又用于其他有时间关联的事件分析 .挖掘算法由以下几部分构成 :建立频繁物品集 ,进行数据处理和转换 ,并生成候选子序列 ,通过验证后 ,得到长度为 2 ,3 ,…的序列集合 ,从中选出独立最大序列即为所求 .通过实例指出了该算法和传统的Aprioriall算法的不同之处 .结果表明 ,这种序列模式在网络通信。

多维时间序列异常检测算法综述

随着信息化技术不断提高,时序数据规模呈指数级增长,为时间序列异常检测算法发展提供了契机和挑战,也使其逐步成为数据分析领域新增的研究热点。然而,这一方面的研究仍处于初步阶段,研究工作的系统性不强。为此,通过整理和分析国内外文献,将多维时间序列异常检测的研究内容按照逻辑顺序分为"维数约简""时间序列模式表示"和"异常模式发现"三个方面,并对其主流算法进行梳理和归纳,以全面展现当前异常检测的研究现状和特点。在此基础上,还指出了多维时间序列异常检测算法的研究难点和研究趋势,以期对相关理论和应用研究提供有益的参考。

基于感应线圈的骑线车辆检测方法

线圈检测器是车辆检测中使用最广泛的一种,但现有线圈检测器无法判别骑线车辆,严重影响车辆检测的准确性.文中从线圈检测器的检测原理入手,运用涡流效应分析激励频率对检测数据的影响,从而推导出相邻车道线圈检测器之间的数据换算公式.进而在相邻线圈检测数据互换的基础上,提出了一种基于分段时间序列模式匹配的骑线车辆线圈检测方法.该方法可有效判断经过车辆是否骑线行驶,提高了现有车辆检测器的检测准确性和数据可靠性.

基于感应线圈车辆检测器的车辆转弯信息获取

利用感应线圈车辆检测器,研究基于分段序列相似度的转弯车辆线圈感应数据分析方法,通过对转弯车辆和直行车辆的感应数据联合分析,获取车辆的转弯信息,与车型分类结合,为交通信息采集提供了更为丰富的数据,提高交通调查和交通信息采集的效率和准确性。

ARIMA模型在HIS预测中的初步研究

时间序列预测分析在医院信息系统中具有广泛的应用前景,而ARIMA模型是挖掘时间序列模式的一个有效的方法。介绍利用ARIMA模型发现时间序列模式的方法,并应用于医院时序数据预测,为管理层提供决策依据,完善医院信息系统。

数据挖掘在CRM中的应用

从数据挖掘在CRM的应用范围着手,包括细分和识别客户、交叉销售、客户的获得、流失和保持分析等。然后对基本法方法和在CRM中的应用流程进行了论述,其中方法包括了关联、分类、聚类、时间序列。最后,举例说明了Apriori算法的关联规则发现。

Ruin Probability in Linear Time Series Model

This paper analyzes a continuous time risk model with a linear model used to model the claim process. The time is discretized stochastically using the times when claims occur, using Doob’s stopping time theorem and martingale inequalities to obtain expressions for the ruin probability as well as both expo- nential and non-exponential upper bounds for the ruin probability for an infinite time horizon. Numerical re- sults are included to illustrate the accuracy of the non-exponential bound.