经营系统中的时间序列分析研究.pdfVIP

摘要 近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是很多领域 中的数据量以极快的速度增长，我们迫切需要将这些数据转换成有用的信息和 知识。时间序列的分析是数据挖掘领域中的一个重要组成部分，在现实生活中 的很多方面都有广泛的应用。例如:股票分析、心电图分析、交通旅游的客流 分析、产品的销售量分析等都可以归类为时间序列分析问题。 本文讨论了几种有效的对于具体时间序列的分析方法，分析了每种方法的 特点和适用环境，详细介绍了ARIMA模型的原理和实现过程。 仅仅有单时间序列的分析还无法满足某些实际系统的需求。应用系统中有 几百项或者上千项数据项是很正常的情况;面对这么多项数据，要求管理者对 其中所有数据的时间序列分析结果都一一研究是不现实的。因此要对所有数据 项进行聚类分析。我们首先抽取时间序列的特征，再根据特征向量对时间序列 进行聚类分析。文中提出了根据预测模型系数确定时间序列特征向量的方法。 用这种方法，可以将一个含有多个观测点的时间序列特征压缩在只有几位的特 征向量中，同时又包含了足够多的序列信息。 我们面临了这样的应用系统背景:对于一个企业，大量的历史数据无法提 供明确有效的信息以帮助企业领导进行决策，有用的信息湮没在繁杂的数据当 中。根据上面所提到的方法，我们设计并完成该企业的辅助决策系统。在这个 分析系统中，提供对于每项数据的时间序列分析。以及对所有数据的聚类分析 功能。 关键字:数据挖掘，时间序列，特征提取，ARIMA(自回归综合移动平均数)， 支持向量 时间序列的聚类分析与预测分析 Abstract WangYingbo(ComputerSoftwareandTheory) DirectedBySunJing DataMiningattractsmoreattentioninbothacademyandindustryinrecentlyyear. Thedatasizeofmanyfieldsareincreasingtremendouslywhereasusefulinformation extractedrfomthisdataisnecessary.TimeSeriesanalysisisoneimportantpartof datamining,whichhasitwideapplicationinrealities.Forinstance,theanalysisof stock,theanalysisofcardiogram,salesofsomeproductareexamplesoftimeseries analysis. Inthisthesis,someeffectivemethodsfortimeseriesanalysisarediscussed.The propertiesandlimitationsareintroduced,especiallythetheoryandimplementation ofARIMAmodel. Onlytheanalysisresultoftimeseriescouldnotmeettherequirementofsome practicalsystems.Thereareusuallyhundredsoforthousandsofdataitem in applicationsystems.Itisimpossibleformanagerstoanalyzeallthedata,Therefore aclusteringalgorithmforthedataitemsisdesirable.Featuresoftimeseriesarefirst extractedandthenclusteringalgorithmsareperformedaccordingtothefeatures.In thispaper,weproposedthemethodforfeatureselectionaccordingtospecific predictingmodels.Timeseriesthatcontainsoneormoreobservationpointscouldbe representedusingfeaturesoflowdimensionwhilekeepmostoftheinformationat thesame