论文摘要
由于数据采集、计算机技术和万维网技术的迅速发展与应用,企业或组织已建立起来了很多整套的实时监测系统。因此企业或组织收集了大量的生产实绩数据(可以认为是时间序列数据),如何利用这些数据为企业和组织实现实时决策支持成为学术界和业界关注的热点。实时数据仓库的提出为解决这个热点问题开辟了一条道路,主动决策又正是实时数据仓库的直接动机。然而,主动决策面临的主要问题就是如何能够在实时地发现异常的同时,触发报警并分析处理实现下一步预测。这与通常的异常诊断方法存在很多差异,它是一个系统的分析方法,包括异常模式发现、异常模式分析和异常原因分析三个部分。因此,本文在这三部分研究的基础上提出了多相关时间序列上异常模式挖掘框架。这对实际生产、生活都具有相当重要的现实意义。本文以热轧工艺流程中产生的时间序列实绩数据作为时间序列数据库的数据实例,利用统计过程控制(SPC)理论在单个时间序列上发现异常模式；然后,根据已发现的异常模式序列,运用数据挖掘中的序列模式挖掘和关联规则分析技术挖掘已发现的这些异常模式间的关系,进而为异常模式的预测提供依据。因此,本文主要研究了传统基于时间序列的异常诊断和分析方法,结合数据挖掘和统计过程分析技术,给出了一个分析异常模式的过程框架。其中包括基于统计过程分析的单时间序列异常模式发现方法,和利用频繁序列模式以及关联规则发现方法,在多相关时间序列上异常序列模式序列间的频繁模式和模式间关联关系的挖掘发现。实验发现,该框架是可行的,并能够发现异常模式间的关系,异常模式的诊断分析提供了依据。该框架的一个特点就是能够分析和处理多相关的时间序列数据。而它们关注的焦点主要集中在时间序列数据库中找到感兴趣的模式,如异常模式等。同时通过大量感兴趣的模式数据来揭示这些时间序列数据所具有的规律,并能准确地描述数据不断衍变的趋势。在实时数据仓库环境下,该框架可以实现主动决策。
论文目录
摘要ABSTRACT第一章 绪论1.1 课题研究的背景与意义1.2 问题提出1.3 解决方法1.4 论文组织结构1.5 本章小结第二章 相关理论与技术2.1 实时数据仓库中的主动决策2.1.1 实时数据仓库的直接动机2.1.2 主动实时数据仓库简介2.1.3 主动决策的实现过程2.1.4 有待解决的问题2.2 序列模式挖掘2.2.1 时间序列数据概述2.2.2 序列模式挖掘的产生2.3 关联规则挖掘2.3.1 数据挖掘概述2.3.2 关联规则发现概述2.4 本章小结第三章 多相关时间序列上异常模式挖掘框架3.1 领域背景3.1.1 质量数据库服务器3.1.2 质量诊断过程3.2 框架的提出3.2.1 框架的意义3.2.2 异常模式挖掘框架3.3 框架实现目标3.3.1 异常模式发现3.3.2 异常模式挖掘3.3.3 异常原因分析3.4 异常模式分析相关方法介绍及比较3.5 本章小结第四章 异常模式发现4.1 传统的异常发现方法4.1.1 傅立叶建模4.1.2 异常发现方法4.1.3 相关度计算4.2 SPC算法原理4.2.1 统计过程控制（SPC）分析方法4.2.2 控制图原理4.2.3 控制图判断准则4.3 基于SPC的异常模式发现算法4.3.1 异常模式发现过程4.3.2 发现算法描述4.4 本章小结第五章 异常序列模式挖掘及关联规则分析5.1 相关算法介绍及比较5.1.1 GSP算法5.1.2 PrefixSpan算法5.1.3 Apriori算法5.1.4 算法间比较5.1.5 频繁模式发现5.2 基于数据挖掘技术的分析算法研究5.2.1 异常模式及原因分析过程5.2.2 单时间序列异常模式挖掘5.2.3 多相关时间序列异常模式挖掘5.3 本章小结第六章 框架实现及结果分析6.1 框架实现背景6.1.1 实验的硬件条件6.1.2 数据准备与预处理6.2 异常模式诊断的具体实现6.2.1 改进后常规异常诊断6.2.2 基于SPC的异常模式发现6.3 异常模式预测的具体实现6.3.1 AlphaMiner数据挖掘平台简介6.3.2 异常模式预测的实现过程6.4 结果评价6.4.1 框架诊断结果的评价指标6.4.2 异常模式发现的异常结果6.4.3 异常模式挖掘结果6.5 本章小结第七章 结束语7.1 工作总结7.2 未来研究方向参考文献致谢攻硕期间参加的项目及发表的论文
相关论文文献
标签：实时数据仓库论文; 主动决策论文; 统计过程控制论文; 序列模式挖掘论文; 关联规则论文; 时间序列论文;
