时间序列数据的模式发现及其预测方法的研究.pdfVIP

!旦型!鱼旦翌苎塑生兰型!!垫 堕塑壁型墼塑塑堡塞垄里墨塑塑查鎏堡壅 摘要 数据挖掘(Data Mining)是人工智能领域和数据库领域相结合的热点研究课题，其 目标是在数据库中提取隐含的、先前未知的、潜在有用的知识。 时间序列数据反映了属性值在时间顺序上的特征。现实世界中大量数据的采集与时 间相关，数据具有时间上的关联性。因此，时间序列的知识发现是数据挖掘中的一类非 常重要的问题。利用时间序列的数据挖掘，可以获得数据中蕴含的与时间相关的有用信 息，实现知识的提取。在许多实际应用中，研究时间序列局部特征的变化并识别表示重 大事件发生的局部模式很有意义，比如在股市数据中识别出和股票价格骤然变化相关的 模式非常重要，模式的正确识别有助于对数据趋势的分析和对未知事件的预测。因此从 时间序列数据中挖掘时序模式并根据这些模式进行预测，是一个具有十分重要的理论与 实践意义的课题。 本文全面和深入的探讨了时间序列数据挖掘问题：讨论了该领域的研究现状、最新 技术和进展，研究了时间序列的模式匹配、规则发现、事件检测和预测问题，分析了现 有的一些算法并在此基础上提出了新的解决问题的方法。具体来说，研究内容主要包括： 模式匹配，模式的自动发现和事件预测。它们之间存在一定的依赖和关联，并且和具体 时间序列的特征表示紧密相关。 相似模式匹配的研究涉及特征提取、相似性度量、多维索引结构、查询匹配算法等。 我们分析了现有的时间序列特征抽取方法和多维索引结构的优缺点，提出了新的时序特 征抽取方法一事件序列，本文的大部分工作都是基于事件序列进行的；改进了现有的 多维索引结构，提出和实现了相应的模式匹配算法，该算法和现有方法相比能够提高模 式查询的精度。我们还通过实验研究了小波分析方法在时间序列模式匹配中的应用。 在模式的自动发现方面，由于时间序列数据和时间紧密相关，我们对传统的基于事 务数据库的关联规则挖掘方法进行了改进，使之适用于事件序列的数据挖掘，抽取出和 事件的发生趋势和变化率相关的规则，并采用一些评估方法对规则进行过滤和排序。同 时提出了一种新的基于聚类方法的模式生成算法，挖掘出有代表性的相似模式集合，通 过实验和传统的聚类方法进行了比较。 在时间序列的预测研究中，传统方法预测的是下一个点的值，而我们预测下一个重 要事件的发生。提出了一种基于事件特征的预测模型：首先将事件序列转换为一个特征 序列，然后通过特征选择对未来事件的特征进行预测，同时分析和定义了时间序列在不 同尺度上的可预测性，最后将对特征的预测还原为对未来事件的预测。特征选择是很多 机器学习算法包括预测算法有效执行的前提，数据中冗余的信息直接影响到算法的性 能，文中在讨论现有特征选择方法的基础上，提出了一种改进的基于分形维数的特征选 择方法。 本论文对上述这三个方面进行了深入研究，从时间序列数据库中搜索相似的模式， 中国科学技术大学博士学位论文 时间序列数据的模式发现及预测方法研究 自动抽取出潜在的时序模式，对时间序列的未来事件进行预测。 本文的主要工作和创新点如下： 1．提出了新的时间序列特征表示方法一事件序列，基于该表示方法提出和实现了一 种改进的多维索引结构和相应的相似模式匹配算法，并通过实验证明在一定程度上 提高了模式查询的精度： 2．基于事件序列，提出并实现了基于关联规则和聚类方法的模式发现算法。事件序列 是一种和时间相关的序列，需要对传统的基于事务数据的挖掘方法进行很多改进； 3．提出和实现了一种新的基于事件特征的预测模型，定义和分析了事件序列的多尺度 性和可预测性，对时间序列未来事件的发展趋势进行预测。提出了一种改进的基于 分形维数的特征选择方法，从数据集中抽取出最具有代表性的属性子集。 文中我们使用一些经典的时间序列数据和现实数据如股票数据，对上述研究结果进 行了测试和验证。同时我们开发了一个基于电力数据的负荷预测系统，通过对大量和时 间相关的历史负荷数据和气象数据进行挖掘，抽取出一些有价值的信息，并将其用到短 期负荷预测中。 关键词：数据挖掘，时间序列，事件序列，模式匹配，模式发现，事件预测 Ⅱ !里型堂垫查奎兰堡主兰堡堡茎