时间序列数据挖掘及应用研究

《时间序列数据挖掘及应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中国科学技术大学博士学位论文时间序列数据挖掘及应用研究姓名：郑诚申请学位级别：博士专业：计算机软件与理论指导教师：蔡庆生2002.10.1中国科学技术大学博士学位论文时间序列数据挖掘及应用研究摘要数据挖掘(DataMining，DM)和数据库中知识发现(KnowledgeDiscoveryinDatabase．KDD)是当今人工智能和数据库等研究领域中活跃的具有广阔应用前景的研究方向。它涉及到人工智能、统计学、机器学习、数据库等多个领域。时间序列数据挖掘是数据挖掘研究中的重要方向之一，它的研究包括时间序列相似搜索、聚类、分类、关联分析、事件检测、离群值发现、预测等。时间序列是复杂类型的数据

2、。它往往具有高维性、含有噪声、以及存在诸如平移、幅度伸缩、时间轴上的伸缩和线性漂移等多种变形。这些是时间序列数据挖掘工作的困难因素。本文讨论基于小波分析的时间序列数据挖掘的有关问题，特别地详细研究了时间序列相似度量和相似搜索算法。主要从三方面开展了研究工作。第一方面，利用小波独有的多分辨分析能力，提取序列的特征，并用这些特征表示时间序列，然后在特征上进行相似搜索。第二方面，利用小波变换的模极大值从时间序列中检测异常事件。第三方面，可视化技术可加强数据挖掘的过程，小波分析和可视化技术的结合，可以有效支持时间序列数据挖掘的整个过程。／本文共分四大部分。第一、二章是第一部分。这部分先综述了KDD

3、和数据挖掘有关问题'包括它们的过程、任务、方法和应用等，然后详细讨论了时间序列数据挖掘技术，包括时间序列相似度量、检索技术、索引技术和子序列匹配，最后介绍了小波分析的基本理论，包括富里叶变换、短时富里叶变换、连续小波变换、离散小波变换、二进小波变换和多分辨分析。第二部分包括第三章到第六章。提出几个基于小波分析的时间序列数据挖掘技术。讨论了时间序列维数约简算法和基于欧氏距离的相似标准；提出一个基于编辑距离和小波变换的多分辨多层次的时间序列相似搜索算法；提出一个新的相似度量模型，这个模型把时间序列的极值点作为关键点和序列的特征，用它们来逼近表示原始序列，将极值点序列转换为二叉树，如果两个序列的

4、二叉树是一致的则称它们是相似的，并给出一个基于这模型的多分辨聚类和相似搜索算法；研究了基于小波变换模极大值的时间序列异常事件检测方法。第七章是第三部分。我们讨论数据的可视化和可视化数据挖掘技术。提出一个基于小波分析的时间序列可视化挖掘模型Vis．TSMiner。该模型由5部分组成：原始数据的可视化、可视化预处理、可视化约简，可视化模式发现和结果模式可视化。该模型应用小波实现数据的多层次可视化表示、数据约简和多尺度模式发现。它可以帮助用户观察高维数据，理解中间结果和解释发现的模式。最后一部分，即第八章，对全文进行总结，并提出进一步的工作。在理论方面，将用提升方法和支持向量机等理论研究时间序列

5、数据挖掘技术，在实践方面，中辫科学技术大学撼士学位论文对超穿列数据挖搬及应雳研究将实现基予小波分援敬酎阙序列霹援化挖掇模型Vis-TSMiner。本文的创新之触如下：(1)剥矮小波变换的多分辨性壤，以编辑鼹裹戈度量标准，提出一秘多分辨多层次的时间序列相似模式搜索算法。它可以在多个尺度上搜索相似模式，支持平移、幅度{串缩。(2)提戡一秘叛毂樱{娃度燕方法，它支持琴移、堰度l孛绩秘时闯辘上傍缭；菸给出一个多分辨的时间序列聚类算法和相似发现算法。(3)采用小波变换模极大值对时间序捌迸行多尺度奇髯事件检测。(4)提爨基予小波分辑数时闽謦列《援化数据挖掘模型，支持太燕数据瓣多分辨的数据可视化、挖掘过

6、稷的可视化、结果模式的可视化。∥／．关键词：数据挖掘知识发现时间序列厂l稿卸飞小波分析髯常事舻、检测H中国科学技术大学博士学位论文时间序列数据挖掘及应用研究AbstractNowadays，Datamining(DM)andKnowledgeDiscoveryinDatabase(KDD)aretwoofthemostactivedirectionsinsomefieldssuchasartificialintelligenceanddatabaseandwillbeusedwidelyinthenearfuture．Theyarealsotheoverlappingpansofsomer

7、esearchfieldssuchasartificialintelligence，statistics，machinelearninganddatabase．TimeSeriesDataMinin91(TSD-a3isoneofimportantDataMiningresearch．Itstopicsincludetimeseriessimilaritysearch，clustering，classification，