基于傅立叶变换的一种时间序列相似搜索算法

该文提出了基于傅立叶变换的一种新的时间序列相似搜索算法。该算法利用高效的索引方法,达到快速的匹配,解决了多序列的子序列匹配问题。大量算例验证了该算法的通用性和有效性,它可以应用到求解各种时间序列相关的实际问题。

基于WSTB的时间序列相似搜索算法

提出了基于WSTB(WeightedShapeToBit-vector)的相似搜索方法,该方法在线性分段的基础上建立时间序列曲线箱,而且创立具有相似形状的时序子序列箱后建立相应的索引,对给定序列和相似序列距离的快速计算,并根据查询的时间序列的特征确定相应的权重,不需要逐个检查子序列箱内容就可以进行快速索引。WSTB方法避免了进行逐个距离比较而造成的巨大的计算量,从而明显地提高搜索效率。最后验证了方法的通用性和有效性。

基于时间序列相似性搜索的电磁阻拦装置故障诊断方法

电磁阻拦装置记录的事件数据具有高采样率、多维耦合和非周期瞬态的特点,属于复杂非平稳时间序列。为此提出一种基于级联下界剪枝和全局约束下动态时间规整(dynamictime warping,DTW)提前终止策略的相似性搜索方法对事件数据进行挖掘,以实现快速故障诊断。首先提出一种基于小波熵和重要点筛选的改进分段聚合近似算法对事件数据进行压缩降维;然后依次采用3种级联的DTW下界距离函数进行剪枝,以剔除不相似序列,得到候选序列;最后在候选序列中执行精确搜索,通过提出的全局约束下提前终止策略优化DTW度量速度。在电磁阻拦装置原型的历史实验数据中开展实验,验证了该方法能够准确匹配工况及系统故障类别,效率相比主流的TS2BC算法提高了2.14倍。

基于时间序列相似性与机器学习方法的页岩气井产量预测

页岩气井单变量产量预测存在较强的不确定性,而现场生产动态数据同时包括多个相关指标,针对如何选取合理的多变量数据对页岩气井产量进行预测,在保证计算效率的情况下提高预测精度。页岩气井的生产动态数据集包括日产气量、日产水量、套压、油压、油嘴直径、开井时间和温度等,采用欧式距离和动态时间弯曲距离对生产动态数据时间序列进行相似性度量,依据与日产气量的相关度,把数据分为强相关时间序列和弱相关时间序列;其次,基于卷积神经网络、循环神经网络、长短期记忆网络和门控神经网络分别对全时间序列、强相关序列、弱相关序列和单变量序列进行页岩气井产量预测;最后,以平均绝对误差、均方根误差和决定系数作为评价指标,得到不同序列的误差由小到大排序为强相关序列、全时间序列、弱相关序列、单变量序列,优选的机器学习方法为门控神经网络和长短期记忆网络。结果表明,采用机器学习方法结合页岩气井强相关性序列(日产气量、套压、油压、日产水量)能有效降低预测误差,提高页岩气井产量预测效果。

一种时间序列相似性的快速搜索算法

时间序列数据库中相似子序列的搜索,常用滑动窗口、分形插值逼近等方法将时间序列分割成各子序列,线性拟合各分段子序列,计算查询序列与各子序列的欧氏距离,满足距离阈值条件的为相似子序列.这些方法忽略了时间序列本身的位置和连贯特性.为此提出时间序列变化关键点的概念,以检索出的关键点为边界分割时间序列,线性拟合各分割的子序列,计算查询序列和各子序列的形态距离,快速搜索出相似子序列.

时间序列相似性搜索算法研究

时间序列分析正成为数据挖掘研究的热点 ,时间序列的相似性搜索是时间序列研究的重要方面 .介绍了时间序列相似性搜索研究的现状 ,详细分析了两类具有代表性的时间序列相似性搜索算法及各自特点 .

基于小波变换和反馈的时间序列相似模式搜索算法

为得到有价值的相似时间序列,分析小波变换及其在寻找相似时间序列上的优越性;指出了现有的基于小波变换的相似时间序列搜索算法的2个缺点,提出了基于小波变换和加权反馈的时间序列相似模式匹配算法和基于验证深度的验证方法;通过实验证明了算法的有效性和实用性.

基于DWT的相似性搜索算法

时间序列数据聚类在统计分析中具有重要意义。然而高维时间序列数据挖掘高度依赖的相似性搜索方法仍面临计算量大、准确率低等问题。为了提升高维时间序列数据挖掘任务的准确率和效率,提出一种基于波动特征的时间序列相似性搜索算法。该算法首先提出局部高频离散小波变换(LHFDWT)方法,通过合理的分解与重构来实现序列的降维;然后提出基于欧氏距离(ED)、波动幅度和秩相关系数从时间序列形态波动的相对偏差和趋势一致性角度计算相似度;最后提出一种相似性搜索算法和新的基于波动特征的时间序列聚类方法,并利用k-medoids聚类技术进行聚类分析。基于UCR标准时间序列数据集的实验结果表明,相对于动态时间规整(DTW)和最长公共子序列(LCSS)方法,所提新方法下的聚类准确率表现更优,置信度达到99%;在正确预测聚类数目和搜索效率方面具有更好的效果,且聚类结果具有更高的稳定性;1-NN分类准确率更高,说明其在确定更好的聚类中心方面效果更优,置信度至少为85%,证明了所提新方法的相似性搜索算法的优越性。

基于三角不等式的时间序列相似性搜索算法

由于传统的时序相似性度量方式不满足距离三角不等式关系,影响后续的相似性搜索及关联规则的获取,在时序符号化的基础上,提出一种满足三角不等式的符号化距离度量方式。与MINDIST_PAA_SAX和Sym_PAA_SAX度量方式进行比较,其结果表明,该度量方式在异常检测和相似性查询上具有较好的优越性。实验结果表明,该方法在相似性搜索及关联规则的获取方面具有更高的可信度。

基于角点弯曲度的时间序列相似性搜索算法

针对基于点距离的时间序列相似性搜索算法鲁棒性较差的问题,提出一种面向形态的时间序列近似表示方法和相似性度量算法。算法不依赖于时间序列长度和领域知识。在充分利用时间序列时变特征的基础上,以角点为分界点,利用角点处的弯曲度提取时间序列的特征,近似表示时间序列。实验结果表明,该算法具有良好的平移和伸缩不变性及较好的鲁棒性,搜索能力更强。

EEMD和布谷鸟搜索算法优化SVR的混沌时间序列预测

为了对混沌时间序列的预测精度进行提升,提出组合预测模型,它对支持向量回归(SVR)、布谷鸟搜索(CS)与经验模态分解(EEMD)进行了综合。首先对混沌时间序列通过集合经验模态分解为一组去除噪声且相对稳定的子序列;借助CS算法对SVR参量加以优化,进而构建以SVR为基础的预测模型,由此获取原始序列的预测大小;接着以太阳黑子混沌时间序列为对象,对其进行预测实验,并与SVR、CS⁃SVR和EEMD⁃SVR的预测性能进行比较。结果显示,通过CS算法进行优化后,能够让SVR具有更快的收敛速度,使之预测精度有了明显的提升,同时也提升了它的泛化能力。

区间映射规则下的时间序列相似形态搜索算法——基于改进的正则化损失函数

时间序列数据是一种随机过程,历史的波动趋势在不同的时期看来往往似曾相似。本文使用用可解释性的符号来刻画时间序列变化形态,改进了基于符号聚合相似的搜索模型,在原始搜索模型中引入改进的参数优化准则HIC,并提供了将字符转义为数值的变换方法,用于度量两个形态间的相似程度。结果表明,改进的模型实现了字符、数值的相互转化,且满足距离下界原理;参数的优化准则稳健的提高了模型的搜索精,有效的降低了算法复杂度。

相似时间子序列快速搜索的改进算法

索引空间相似性度量标准的精确度较低,在现有的相似时间子序列搜索算法中,后期处理过程中内外存之间数据的I/O时间较长。针对该问题,引用一种非线性维数约简技术,提出改进的相似时间子序列快速搜索算法,提高索引空间相似性度量标准的精确度,降低错误匹配的发生率。实验结果表明,该算法可有效降低重复估算的数据量,提高相似性搜索的效率。

时间序列的快速相似性搜索改进算法

时间序列(简称时序)数据库是指由随时间变化的序列值或事件组成的数据库,如股票数据、医疗诊断分析、天气数据、化学实验分析等等.数据挖掘在时序数据库上的应用包括相似性搜索、趋势预测等,其中相似性搜索有以下几方面的应用:

基于GOSSA和HMM的时间序列预测算法

时间序列具有非线性和不稳定性等特点,当前时间序列预测研究面临模型训练参数多、泛化能力差等挑战,其预测精度无法保证.基于此,本文提出一种基于全局最优的麻雀搜索算法(Globally Optimal Sparrow Search Algorithm,GOSSA)和隐马尔可夫模型(Hidden Markov Model,HMM)相融合的时间序列预测模型(GOSSA-HMM).根据隐马尔可夫模型在模式识别和分类上的优势,对原始数据做差值处理并划分类别属性,以此作为隐马尔可夫模型的输入.采用全局最优的麻雀搜索算法对隐马尔可夫模型的参数进行训练,以解决参数训练过程中存在的收敛速度慢,对初始值设置敏感的问题.将赋予类别属性的差值数据进行分段,利用改进之后的隐马尔可夫模型测算每段序列走势的概率,从与当前数据走势相匹配的过去数据集中定位相同的模型实现预测.通过对山东半岛15个海洋牧场的溶解氧数据进行预测分析,结果表明与当前主要时间序列预测算法相比,GOSSA-HMM训练的参数较少,计算成本较低,具有更好的预测精度和泛化能力.

时间序列的快速相似性搜索改进算法

针对时序数据进行相似性挖掘方法的研究,提出一种寻找已知序列的所有相似性子序列的方法,用该方法对数据模拟,结果表明该算法提高了查询性能。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

寻找地震相关地区的时间序列相似性匹配算法

把时间序列相似性匹配的基本概念和方法引入到地震预报的应用中.在分析现阶段时间序列研究成果的基础上,结合大量地震历史源数据和领域专家经验知识,提出了有关地震地区相关性的地震相似度定义和地震序列相似性匹配模型,并通过大量实验模拟对该模型进行了反复验证,实现了基于地震相似度的时间序列相似性匹配算法.同时,通过分析我国地震活动频繁区域近20年来的地震历史数据,应用地震区域序列相似性匹配算法进行了固定时间差的粗粒度和细粒度纵向序列相似性实验分析,取得了可信度较高的实验结果,为地震学预测的应用研究提供了较好的技术支持.

相似时间序列的快速检索算法

在前人提出的扩展时序数据距离定义的基础上 ,首先提出一种在时域上计算时序数据距离的新算法 ,该算法时间复杂度为 O( n× m ) ,能够解决时序数据在 Y轴上的漂移和伸缩带来的问题 ;之后提出一种在频域上计算时序数据距离的新算法 ,该算法时间复杂度仅为 O( n× fc) ,效率很高 ,便于在线实现 ,而且同样能够解决时序数据漂移和伸缩的问题 ;本文还给出和证明了该算法的一个重要组成部分 :时序数据增量式的

水文时间序列的相似性搜索研究

将时间序列相似性搜索的数据挖掘方法应用于水文时间序列数据中,挖掘相似的水文过程.在分析欧氏距离和动态时间扭曲距离两种相似性距离度量方法特点的基础上,采用对时间轴的伸缩和弯曲具有较好适应性的动态时间扭曲距离法对塔里木河流域源流区出山口水文站沙里桂兰克站1961—2000年共220场洪水流量过程进行相似性搜索,基于相似性距离度量矩阵,挖掘出相似的洪水流量过程.结果表明,沙里桂兰克站洪水过程虽形态多样,但也表现出一定的相似性,基于动态时间扭曲法的相似性搜索能有效挖掘出相似的水文过程.