基于自适应步长的多元时间序列Motif优化算法

为探究多元时间序列中各个元素之间的相关性,研究特定的Motif在时间序列中的金融趋势含义,提出了一种基于自适应步长选择的多元时间序列Motif优化算法。该算法利用线性拟合思想处理时间序列,体现多元数据的趋势;代替传统的固定步长,对多元时间序列进行自适应步长处理,提取量价结合的折线Motif模式;以收益作为模式评价标准,并引用自底向上改进算法对模式进行优化。以历史数据进行实证分析,实验结果表明该算法可有效缓解数据噪声干扰,能显著反映多元指标之间的内在关系,以可观收益体现Motif应用效果。

客户行为的有效聚类

对客户的交易数据进行聚类是客户行为分析的一个重要手段。针对客户交易数据维数高的特点,提出了基于EMD和K-means的顾客行为聚类算法。首先利用EMD和自底向上分段算法实现交易数据序列维度的约简,再利用K-means算法完成降维后序列的聚类,最后利用每个类别中购买率较高的商品作为该类的描述,为商家提供促销依据。该聚类算法一方面可以有效实现客户行为的聚类,另一方面,由于算法对交易数据序列进行了降维处理,节约了一定的存储空间。

驾驶行为险态辨识方法

为实现险性驾驶行为状态的有效辨识,提出了一套驾驶行为险态辨识方法。以单位时间误操作率为依据,采用自底向上的分段算法实现了行为险态分级,采用因子方差分析,选取听觉感知、动视野、动视力、色觉、暗适应、注意力、判断能力、反应时这8项因子构成驾驶行为状态因子集,构建驾驶行为险态辨识特征向量,然后再对行为状态指标数据予以预先分级的前提下,采用单因子分析法对试验数据予以分析。并设计出BP神经网络行为险态辨识模型,最后进行了实例分析与计算。分析结果表明:反应时、注意力、判断能力3项指标在各分级间差异显著,故可作为驾驶行为险态辨识主因子,行为状态错判误差率为2.5%。