基于时间序列数据挖掘在电力物资系统中的应用分析-application analysis of data mining based on time series in electric power material system.docxVIP

目录１绪 论 11.1本文的选题背景与研究现状 21.2问题提出与选题意义 41.3本文的研究目标和内容 61.4本文的结构与创新点 81.4.1本文创新点 81.4.2本文结构 9２诊断检验统计量与回归模型 112.1诊断检验统计量 112.2回归模型 152.2.1一元线性回归 162.2.2一元线性回归的方差分析 192.3本章小结 21３数据整理与模型建立 223.1时间序列线性拟合算法 223.2数据处理过程 263.2.1电力物资系统的物资数据提取与整理 273.2.2挖掘流程 343.3具体挖掘过程 363.4本章小结 45４电力物资系统时间序列挖掘程序 474.1 程序编写原则 474.2算法与部分程序 484.3本章小结 52５总 结 与 展 望 53参考文献 54致 谢 57 攻读学位期间发表的学术论文 58１绪论 近十几年来， 随着计算机软、 硬件的飞速发展， 人们利用信息技术和 搜集数据的能力大幅度提高 ，数以千万计的数据库被用于商业管理 、政府 办公 、科学研究和工程开发等方面 。特别在一些领域采用集中或者分布式 数据库存储技术， 比如： 金融投资方面的股票指数和价格、 利息率、 信用 卡数据 ；制造生产方面的过程优化 、故障检测 ；通信网络方面的呼叫模式、 拥塞分析； 科学领域方面的天文观察、 基因数据等 [9] 。 面对这些数据， 急 需一些新的工具和技术 ，能够智能化且自动的把这些数据转化为有用的信 息和知识， 从而解决 “信息爆炸” 所带来的数据丰富而信息贫乏问题。 过 去对于数据的分析主要依赖人工分析员 ，从而对数据的分析工作也就变成 了简单的根据专家知识从数据库进行查询和获取数据 ，然后由分析人员做 出决策。由于是人工操作，及时性比较差， 另外专业知识的局限性和数据 量的庞大性同样限制了信息的发现 ，因此用人工操作从海量的数据中发现 信息的方法已经不再适合当前数据源 。如何从海量数据中及时发现有用的 知识 ，提高信息利用率 ，并将这些有用的信息运用到实际工作中成为一个 迫切需要解决的问题。因此，数据挖掘(Data Mining， DM)通常又称为数 据库知识发现(Knowledge Discovery in Database，KDD)越 来越受到人们的 重视，推动数据挖掘发展中有四个主要的技术 [4] 。1) 超大规模数据库技术，例如 在商业数据仓库和计算机自动收集数 据记录数据库方面。 2) 先进的计算机技术，例如在 更快和更大的计算能力和并行体系结 构方面。 3) 对庞大数据量的数据快速访问技术。 4) 对数据应用精深的统计方法和计算的能力。 因此 ，数据挖掘和知识发现可以说是数据库技术与信息技术发展的一 个必然趋势。 当人们不再为获取数据而烦恼时， 如何分析、 理解并利用这 些数据就成为必然的要求 。在这些需求中最吸引人的方面是对未来数据的 预测，也即时间序列的未来发展趋势的预测。 在金融、 生物医药、 地质、 太空探测、 网络管理等诸多科学工业领域 中产生和积累了以时间序列形式的各类数据 。例如金融证券市场中股票价 格的波动 ；商业领域中商品每天的销售数量和金额 ；生物医学中某一症状 病人在每个时刻的心跳变化 ；以及在电力物资系统中每天出库物资的数量 和种类等等 。这些数据与时间密不可分并且有序 ，因此构成了时间序列数 据库。一般来说，时间序列 (Time Series) [4] 泛指那些随时间或空间有序 变化的数据集合，这些数据记录集合往往采用等时间或空间间隔进行 度 量 。如何充分有效地管理和利用这些海量数据序列 ，更有效地发现和理解 这些数据序列背后隐含的规律和知识 ，已经受到越来越多数据挖掘研究者 广泛关注，时间序列数据挖掘即时序挖掘由此应运而生。 1.1 本文的选题背景与研究现状 数据挖掘就是从大量的、 不完全的、 有噪声的、 模糊的、 随机的实际 应用数据中， 提取隐含在其中的、 人们事先不知道的、但又是潜在有用信 息的过程。 原则上讲， 数据挖掘可以应用于任何类型的信息源，这包括关 系数据库、 数据仓库、 事务数据库、 其它高级的数据库系统。 在这些数据 集之中，有一类数据集， 它们的数据之间存在着时间上的关系，我们称这 类数据为时态数据 (Temporal Data) [1 4] 。在对时态数据进行数据挖掘的过 程中 ，必须考虑数据间存在的时间关系 。我们称这类数据挖掘为时态数据 挖 掘 (Temporal Data Mining)。由于时态数据的普遍性，时态数据挖掘已 成为数据挖掘研究的一个重要分支。当前时态数据挖掘研究的主要内容， 按研究方向可分为时态模式挖掘和相似性问题研究两部分 。其中时态模式 挖掘