时间序列数据挖掘方法研究.pdf

时间序列数据挖掘方法研究 摘 要 随着计算机 网络和通讯等信息技术和数据贮存技术的迅速发 展 人们获取和存贮的数据急剧增长 出现了 数据泛滥 知识贫乏 的现象 传统的数据库技术和数据查询方法由于不能有效地组织和处 理这些海量数据 已不能满足人们对隐含在数据中的知识的渴求 数 据挖掘技术应运而生 并得到了迅速发展 数据挖掘是数据库 人工 智能 模式识别和统计分析等学科相互交叉 结合的前沿性研究领域 它的出现为人们有效地从海量数据中得到有用的信息和知识提供了 有力的手段 目前计算机上存储了越来越多的时序数据信息 作为数据的重要 存储和表现形式 时间序列数据广泛地存在于各个领域中 例如证券 公司的大量股票信息 商场的POS系统大量的销售信息 人造卫星观 测的气象信息和科学仪器所检测到的大量生物 地矿等信息 时间序 列数据挖掘是数据挖掘中的一个重要研究领域 近年来越来越引起人 们的重视 时间序列数据挖掘帮助人们获得时序数据中隐含的 有价 值的知识和信息 例如电力系统负荷时间序列数据中就包含着关于电 力负荷特征的丰富信息 股票时间序列中包含着有关股票规律的潜在 信息 因此 从时间序列数据中挖掘潜在的有用的知识有重要的理论 和实践意义 本文比较深入地研究了时间序列数据挖掘问题 对其挖掘方法进 行了整理和归纳 在介绍目前时间序列数据挖掘领域比较经典一些思 想和方法的基础上 在时间序列的相似性 规则性 趋势性和离群性 数据挖掘等方面提出了一些新的思路和方法 本文的主要研究内容如 下 1 时序数据相似性挖掘是数据挖掘的重要研究内容 本文针对时 序数据的相似性挖掘 首先介绍了相似性以及欧几里德距离空间的基 本概念和目前使用较为广泛的利用离散傅立叶变换进行时序数据相 似性数据挖掘的基本方法 然后提出了一种基于标准面积差的时序数 据相似性分析算法 这种方法能够在始终保持全局概念的基础上 对 数据进行一种渐进式的 由粗到细的辨识 用尽量小的计算量识别出 与样本不同的模式 以达到快速识别相似时序数据的效果 此外 本 方法对数据相似性分析的幅度偏移和比例缩放问题具有较好的鲁棒 性 2 针对时序数据的规则挖掘 介绍了基于聚类的时序数据规则挖 掘的方法 然后介绍了时序数据的周期性规则挖掘方法 最后提出了 一种研究时序数据基于时间采样点的总体规则挖掘思想和方法 它是 宏观上发现规则的有效方法 3 深入地研究了时序数据的趋势挖掘 针对工业企业的短期负荷 预测 介绍两种时序数据趋势性挖掘方法 第一部分介绍了一种改进 的基于ARMA 模型的时序数据趋势性挖掘方法 第二部分介绍了基 于BP 人工神经网络的时序数据趋势性挖掘方法 在本章中还重点阐 述了基于误差修正以提高预测精度的思想和方法 4离群时序数据挖掘是从大量的时序数据中挖掘明显偏离其它数 据 不满足数据一般行为或模式 与存在的其他数据不一致的数据 本章对时序数据的离群挖掘进行了深入的研究 提出了一种基于动态 分层主成分分离思想的离群数据挖掘算法 它可以通过分层的方式渐 进地将时序数据中的主成分分离出去 最后得到序列中的离群数据 并且不但可以通过离群数据与主成分重心的欧几里德距离大小反映 数据偏离程度 还能够通过离群数据与各层次主成分的关系来反映数 据离群的程度 扩展了数据离群的概念 同时 分层主成分分离的方 法也能够为数据挖掘的其它方面 诸如数据预处理提供新的处理途 径 关键字 数据挖掘 时间序列数据 相似性挖掘 规则性挖掘 趋势 性挖掘 离群性挖掘 RESEARCH ON THE METHOD OF TIME SERIES DATA MINING Abstract With the rapid development of computer technologies, network, communication and data storage technique, the data that we acquire and store are increased quickly. It appears the scene that the more data, the less knowledge