基于小波变换的时间序列挖掘研究

论文摘要

时间序列是按时间顺序排列的,随时间变化且相互关联的数据序列,在金融、科学观测和工程等各个领域都广泛存在。如何有效的管理和利用这些数据,发现这些数据背后隐含的规律和知识,是人们广泛关注,具有重要意义的理论和实际应用课题。数据挖掘的方法主要有统计方法、机器学习方法、神经网络方法和数据库方法。本文主要研究了小波变换应用到时间序列挖掘中的方法,包括小波变换在时间序列属性约简,时间序列相似性匹配,时间序列奇异点检测中的应用,根据小波变换的多分辨性提出了基于小波变换的聚类算法,重点研究了时间序列挖掘中的多层次相似性匹配和多层次频繁模式挖掘问题。主要研究成果如下:1.小波变换改进传统聚类算法针对传统聚类算法如k-Means算法中初始聚类中心是随机选择的,不太合理的问题,提出了基于小波分析的时间序列聚类算法W-kMeans算法,一算出时间序列的Haar分解系数,就在这些系数上运用k-Means聚类算法,从第二个层次开始,再渐渐的进行到更高的层次上。2.时间序列的多尺度相似性模式匹配改进了现有的时间序列多尺度相似匹配算法,现有算法中序列的片段相似标准仅仅考虑了两个片段的倾角而没有考虑长度,本文结合时间序列的KL相似性度量提出了一种更好更合理的多尺度时间序列相似模式匹配算法。并根据小波变换的多尺度性提出一种更有效,更合理的方法来解决时间轴伸缩问题,进行更长时间的模式匹配。3.时间序列的多尺度频繁模式挖掘时间序列本身有长期和短期之分,挖掘时间序列的多尺度模式有着重要的现实意义,本文首次提出了多尺度频繁模式挖掘的概念,并根据小波变换的多分辨性,提出了基于小波变换的时间序列多尺度频繁模式挖掘算法,本算法首先对原序列进行小波变换,然后在变换后的序列上挖掘频繁模式,并结合了基于重要点分段方法和互关联后继树方法,能挖掘出不同尺度的频繁模式。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.1.1 数据挖掘概述
• 1.1.2 频繁模式挖掘的基本概念
• 1.1.3 时间序列挖掘中的关键问题
• 1.2 国内外研究现状
• 1.2.1 传统的时间序列分析方法
• 1.2.2 时间序列频繁模式挖掘
• 1.3 本文的主要工作和结构
• 第二章 时间序列数据挖掘概述
• 2.1 时间序列相似性查询
• 2.1.1 时间序列数据表示
• 2.1.2 时间序列数据分割
• 2.1.3 相似性度量
• 2.2 时间序列模式挖掘
• 2.2.1 时间序列主题模式挖掘
• 2.2.2 时间序列周期模式挖掘
• 2.2.3 时间序列关联规则，序列模式的挖掘
• 2.3 时间序列的分类，聚类和异常检测
• 2.3.1 时间序列分类问题
• 2.3.2 时间序列聚类问题
• 2.3.3 时间序列异常检测
• 2.4 多时间序列和多维时间序列的挖掘
• 2.5 本章小结
• 第三章 小波变换及其在时间序列挖掘中的应用
• 3.1 小波分析基本理论
• 3.2 小波分析在时间序列挖掘中的应用
• 3.2.1 小波分析与时间序列特征提取
• 3.2.2 小波分析与时间序列奇异点检测
• 3.2.3 小波分析与时间序列聚类
• 3.3 本章小结
• 第四章 基于小波变换的多尺度相似模式的匹配
• 4.1 相关工作
• 4.2 特征提取
• 4.3 时间序列的斜率表示法与KL表示法
• 4.4 线性模式的KL相似性度量与动态模式匹配距离
• 4.5 多尺度匹配算法
• 4.5.1 总体算法
• 4.5.2 多尺度形状特征提取
• 4.5.3 多尺度序列片段斜率和长度的计算
• 4.5.4 多尺度形状的逼近匹配
• 4.5.5 多尺度匹配算法的一个改进
• 4.6 本章小结
• 第五章 基于小波变换的时间序列频繁模式挖掘
• 5.1 时间序列频繁模式挖掘概念
• 5.2 时间序列频繁模式挖掘的相关工作
• 5.3 传统的时间序列频繁模式挖掘方法
• 5.4 基于小波变换的时间序列多尺度频繁模式挖掘
• 5.4.1 时间序列多尺度模式挖掘的概念
• 5.4.2 基于小波分析的时间序列多尺度模式挖掘
• 5.5 实验与分析
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 研究展望
• 参考文献
• 发表论文和科研情况说明
• 致谢