面向快递员揽收到达时间预测的多任务深度时空网络

快递员揽件到达时间预测,即预测用户下单后快递员的上门揽收时间,一直都是物流企业所关心的重要问题。准确的揽件到达时间预测可以优化揽件效率,提升用户体验。该问题主要存在以下挑战:(1)快递员揽件到达时间受到多种复杂时空因素的影响,包括待预测订单自身的时空特征,以及与其他待揽收订单之间的相互影响;(2)快递员在执行揽件任务期间,会不断接收到系统分配的新订单,造成揽收路线的动态变化,从而给揽件到达时间预测带来了更大的不确定性。针对以上挑战,提出了一种面向揽件到达时间预测的多任务深度时空网络MSTN4PAT模型,从海量的揽件历史数据中学习快递员揽件到达时间的复杂时空模式。MSTN4PAT充分挖掘待预测订单始发地与目的地之间的内在关联,使用多任务学习来建模订单之间的相互影响,并从特征宽度和特征深度2个角度高效融合各种特征,实现准确的揽件到达时间预测。在真实的揽件数据集上的实验结果表明,MSTN4PAT的预测效果明显优于对比模型。

一种时态近似周期的数据挖掘研究

研究了时态近似周期的挖掘问题,提出了近似周期模式,引进了近似精度、近似周期模式覆盖等概念及性质,提出了一个基于SOM(自组织特征映射)聚类来寻找近似周期模式的算法,实验表明算法是有效的。

确定学习与基于数据的建模及控制

确定学习运用自适应控制和动力学系统的概念与方法,研究未知动态环境下的知识获取、表达、存储和利用等问题.针对产生周期或回归轨迹的连续非线性动态系统,确定学习可以对其未知系统动态进行局部准确建模,其基本要素包括:1)使用径向基函数(Radial basis function,RBF)神经网络;2)对于周期(或回归)状态轨迹满足部分持续激励条件;3)在周期(或回归)轨迹的邻域内实现对非线性系统动态的局部准确神经网络逼近(局部准确建模);4)所学的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储,并可在动态环境下用于动态模式的快速识别或者闭环神经网络控制.本文针对离散动态系统,扩展了确定学习理论,提出一个根据时态数据序列对离散动态系统进行建模与控制的框架.首先,运用确定学习原理和离散系统的自适应辨识方法,实现对产生时态数据的离散非线性系统的未知动态进行局部准确的神经网络建模,并利用此建模结果对时态数据序列进行时不变表达.其次,提出时态数据序列的基于动力学的相似性定义,以及对离散动态系统产生的时态数据序列(亦可称为动态模式)进行快速识别方法.最后,针对离散非线性控制系统,实现了基于时态数据序列对控制系统动态的闭环辨识(局部准确建模).所学关于闭环动态的知识可用于基于模式的智能控制.本文表明确定学习可以为时态数据挖掘的研究提供新的途径,并为基于数据的建模与控制等问题提供新的研究思路.

时态数据挖掘研究进展

在现实生活中,大量数据集之中的数据都带有时间特征.时态数据随处可见,遍及经济、气象、通信、医疗等等多个领域.股市每日(或月)指数、交换机的每小时的业务量、某一患者的脑电波和Web页的日访问量,这些都是比较常见的例子.对这些时态数据进行分析,从中获取蕴含的系统演化规律,从而完成对系统的未来行为的预测,具有重要的价值和意义.

时态数据采掘中的时态型与时间粒度研究

研究了时态型与时间粒度的有关理论 ,提出了时态型、时间粒度、粗时间粒度、基时态型、基时间粒度和基准时间等概念 ,并研究了它们在刻画绝对时间的关系 ,最后给出一个一类简单频繁事件模式发现的例子 ,对于研究时态数据采掘具有重要意义 .

基态修正时空数据模型的扩展及在土地产权产籍系统中的实现

分析了几种有代表性的时空数据模型的特点和存在的局限性 ,对基态修正模型进行了扩展和改进 ,提出了建立区段快速索引和变粒度索引因子方法 ,以及采用历史库、过程库和现实库对时空过程和时空关系进行描述的思路 ,并在开发的商业化的土地产权产籍管理系统中得到实现。

时态空间中时态序列模式的数据挖掘(英文)

时态数据挖掘是目前数据挖掘领域的研究热点。与其它相关研究不同,文章致力于利用时态序列模式挖掘进行预测与决策。首先介绍了时态类型的分类;然后定义了一个新的时态空间模型,用以描述基于不同时态类型、不同属性的各个不同对象的状态,并且为高效地进行预测与决策提供支持;最后,给出了时态空间模型中数据挖掘的四种时态序列模式,对时态数据挖掘的研究具有重要意义。

多粒度时空对象建模的基本内容与方法

多粒度时空对象数据模型是全空间信息系统的基础,构建多粒度时空对象数据模型是全空间信息系统的核心任务。分析了多粒度时空对象建模的基本内容,包括基本概念、基本流程、关键问题等。在此基础上提出了多粒度时空对象建模的5种基本方法,并分析了每种建模方法的主要特点和适用范围。

全序时态模式下函数依赖集的成员籍问题研究

时态函数依赖(TFD)约束的全序时态模式下,成员籍问题是设计有效模式分解算法的关键。定义了全序时态模式下全序时态函数依赖集有效闭包、属性集在给定时态类型上的闭包、属性集的闭包等概念,根据这些概念,结合全序时态模式自身的特点,提出求全序时态模式下属性集在给定时态类型上的闭包以及时态函数依赖(TFD)集成员籍问题的算法,证明了算法的可终止性和正确性,分析算法的时间复杂性,为时态函数依赖环境下全序时态模式的进一步规范化提供了理论基础。

多粒度时间部分周期模型

时间的描述和划分是时态数据采掘中一个非常重要的方面,针对目前时态数据采掘中缺少对多粒度时间等的研究的现状,提出了多粒度时间,粒度转换,时态序等的严格数学定义,并研究和证明了它们的相关性质。以此为基础引出了一个多粒度时间部分周期模型,对模型的支持度和置信度等性质进行了详细讨论,并将多粒度时间下的部分周期模型运用到股票数据实验中,实验表明所提出的模型对于研究时态数据采掘具有重要意义。

基于时间段的时序规则发现

提出了一个新的基于时间段的频繁闭模式的挖掘算法,采用时间段的概念,利用频繁闭模式的特点,生成相应的时序规则。算法通过使用闭模式的性质进行剪枝优化,不生成冗余的候选序列,降低了时序规则发现的时间与空间复杂度,提高了效率。

基于时态逻辑的多时间序列挖掘模型

为了从多时间序列之间发现的定性的时态相关模式可而更全面的理解和把握系统的演化特性,提出了一种基于时态逻辑的多时间序列挖掘模型。它首先将多时间序列转化为多事件序列,然后将预处理后的多事件序列利用区间时态逻辑(ITL)关系子集来定义多事件序列中事件间的时态相关模式。其次进行多状态序列融合和局部时态观测序列的生成,之后采用频繁模式挖掘算法发现多时间序列的频繁时序模式。该模型有助于解决时间序列挖掘所面临的若干挑战和难题,有助于扩展现有时间序列挖掘系统的功能,从而指导时间序列等复杂类型数据的知识发现过程。实验结果表明了该模型及算法的有效性和优越性。

基于兴趣度的时态关联规则挖掘算法

关联规则挖掘是数据挖掘研究中的一个重要方面,给出了一个关联规则中事件所包含信息的模型,在此基础上,提出了一种基于兴趣度的时态关联规则挖掘算法。该算法较好地弥补了应用模板匹配方法筛选基于兴趣度的关联规则时主观性太强,兴趣度阈值的定义过于简单,所挖掘出来的关联规则没有体现时态约束的缺陷。最后,将该算法应用到了股票数据的趋势挖掘中,得到了满意的实验结果。

偏序环境下时态数据库中的TBCNF分解问题研究

针对偏序时态数据库进行研究,提出了非严格偏序时态类型集、偏序时态模块模式、偏序TFD集的模式投影、偏序时态模块投影和偏序时态BC范式等概念,并给出了避免时态类型间复杂操作的偏序时态BC范式的分解算法,对其正确性、可终止性进行了证明,并对算法的时间复杂度进行了分析。为偏序时态数据库的规范化设计奠定了基础。

数据仓库的时态关联规则的描述

该文从时态型概念出发给出了有限个属性在时态型上描绘的不同状态时态事件空间,定义了事件之间的时态关联规则,由此导出了5种不同的具有一定意义的时态关联规则,这些时态关联规则具有普遍的理论意义,可以用于商品销售、股票价格等等数据仓库中的数据采掘问题。

挖掘多粒度时间下异步周期的模式

把异步周期和多时间粒度下的时态模型结合起来研究,并利用异步周期的特点提出了一种有效的挖掘算法。算法先找到所有的有效时间节,再通过有效时间节求出最长的有效时间段。实验表明所提出的算法是稳定而有效的。

多粒度时间下的近似周期挖掘研究

研究时态数据库中多粒度时间下的近似周期的挖掘问题。在多粒度时间、多粒度时间格式的基础上引入多粒度时间间隔的定义以及相关性质,构造多粒度近似周期模型,提出一个基于SOM聚类的多粒度近似周期的挖掘算法。利用高频股票数据580000宝钢JBT1进行实验,证明了该算法的有效性。

基于粒计算的电力系统中长期负荷动态聚类预测模型

结合聚类分析与时间序列数据挖掘技术,提出了基于粒计算的动态聚类预测模型。该模型有助于消除聚类结果与先验知识之间的主观不协调性,使聚类结果与客观实际相符。基于该模型得到的预测结果是区间值,这降低了预测风险。某地区需电量的预测结果表明,该模型能显著提高预测精度,适用于电力系统中长期负荷预测。

基于暂态挖掘的非线性时间序列故障预报

针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题,从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法。在系统运行的同时实现学习和预报,提高了实时性。同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点。具有很强的应用意义。以釜式反应器为对象进行的仿真实验证明了方法的有效性。