关于时间序列相似性及时序规则发现的研究

论文摘要

随着计算机软、硬件的进步，人们利用信息技术产生和搜集数据的能力大幅度提高。作为一种有效的数据分析及预测工具，数据挖掘在近年来得到了广泛的关注。时间序列数据在数据库数据中十分普遍，于是对时间序列进行数据挖掘已成为当前研究的焦点之一。本文在综述国内外数据挖掘研究发展概况后，对时间序列的表达、相似性搜索、序列模式挖掘、增量挖掘以及时序规则发现等几个问题进行了研究分析。本文的主要的研究内容和研究成果如下：1．对时间序列的分段线性化表示进行了研究，提出了一个新的时间序列度量，即模式趋势距离。并且使用该度量提出了一个新的时间序列相似性算法，及一个新的优化技术：忽略重叠优化。2．对时序模式挖掘算法进行了研究。由于闭序列有着良好的性质，故本文利用闭序列的特性，提出了一种更好的优化算法。该方法避免了候选项的生成，提高了挖掘效率。3．研究了在大型数据库中进行增量挖掘的问题，我们提出了一个新的InCloSpan闭序列增量挖掘算法。4．利用新得到的闭序列模式挖掘算法，讨论了寻找基于时间段的时序规则的问题。利用得到的时序规则，可以对数据库的数据进行预测分析。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 数据挖掘概论
• 1.1.1 数据挖掘的起因与发展
• 1.1.2 数据挖掘的定义
• 1.1.3 数据挖掘研究的重点
• 1.1.4 数据挖掘实际应用
• 1.2 时间序列挖掘综述
• 1.2.1 时序数据及相关概念
• 1.2.2 时序相似性搜索
• 1.2.3 时序模式挖掘及其算法
• 1.2.4 增量数据库挖掘
• 1.2.5 时序规则生成
• 1.3 本文的主要工作
• 第二章 基于改进的时间序列模式距离的相似搜索算法
• 2.1 时间序列的划分
• 2.2 时间序列的相似性度量
• 2.3 改进的时间序列模式距离度量
• 2.4 改进的相似搜索算法
• 2.5 应用实例
• 2.6 本章小结
• 第三章 时间序列模式挖掘算法的改进
• 3.1 时间序列模式的一些概念
• 3.2 时间序列模式的一般挖掘算法
• 3.2.1 AprioriAll算法及Apriori-like算法
• 3.2.2 模式增长方法—FreeSpan算法&PrefixSpan算法
• 3.2.3 闭序列模式挖掘算法—CloSpan算法&BIDE算法
• 3.3 经典的闭序列挖掘算法-CloSpan算法
• 3.4 经典CloSpan算法的改进
• 3.5 本章小结
• 第四章 大型数据库中闭序列模式的增量挖掘算法提出
• 4.1 增量挖掘的一些概念
• 4.2 增量式挖掘算法介绍
• 4.2.1 MFS算法
• 4.2.2 ISE算法
• 4.2.3 ISM算法
• 4.2.4 IUS算法
• 4.3 新的InCloSpan算法思想
• 4.4 InClosPan算法描述
• 4.5 实验结果及算法分析
• 4.6 本章小结
• 第五章 基于时间段的时序规则发现
• 5.1 时序规则挖掘简介
• 5.2 背景知识介绍
• 5.3 时序规则生成
• 5.4 实验结果
• 5.5 本章小结
• 第六章 结论和展望
• 6.1 研究工作总结
• 6.2 未来工作展望
• 致谢
• 参考文献
• 攻读硕士学位期间的研究成果