学位论文 > 优秀研究生学位论文题录展示

时间序列部分周期模式挖掘研究

作　者: 席元鸿
导　师: 王治和
学　校: 西北师范大学
专　业: 计算机应用技术
关键词: 数据挖掘时间序列部分周期模式挖掘概念格
分类号: TP311.13
类　型: 硕士论文
年　份: 2011年
下　载: 62次
引　用: 0次
阅　读: 论文下载

内容摘要

随着信息技术的飞速发展,时间序列数据在我们的工作生活中广泛存在,如股票价格、水文数据、商品销售、气象数据等,同时它们呈现出爆炸式增长。针对这些海量历史时序数据,如何利用新的技术方法,将其转化为可靠的知识信息,提高人类对未来的预测能力以及对未来事件的提前控制能力,一直受到人们的密切关注。时间序列数据挖掘旨在从这些海量数据中找出对用户决策有价值的信息,现已成为数据挖掘中一个重要的研究方向。由于时间序列部分周期模式挖掘在应用中更为常见,更有研究价值和意义,成为时间序列数据挖掘的研究热点之一,因此,本文选择它作为主要研究对象。本文首先概述了时间序列数据挖掘及其研究现状,对现有的几种时间序列部分周期模式挖掘算法进行了详细的研究。目前,大部分时间序列部分周期模式挖掘算法都是在给定周期的前提下进行的,这样必将会使一些有潜在价值的周期模式不能被挖掘。针对这个缺陷,本文结合时间序列二进制编码,提出了基于权重的POS(时间序列中事件发生位置)求解算法,接着又推导了周期阈值公式,利用潜在周期发现算法找到时间序列中有意义的周期。其次,本文分析了最大子模式命中算法和层次链式图算法,相对于类Apriori算法,它们在部分周期模式挖掘的效率上有了明显改进,但仍需要对时间序列数据库扫描2次,并且它们都要进行模式频繁计数的统计等工作。针对此不足,本文创新性地将概念格引入到时间序列部分周期模式挖掘中,提出了基于概念格的时间序列部分周期模式挖掘算法,它不仅能够将对数据库的扫描次数降为1次,在概念格的Hasse图中可以直接读取模式频繁计数来确定频繁模式,而且还可以将增量算法和挖掘算法结合为一体。最后,通过仿真实验验证了基于概念格的部分周期模式挖掘算法的有效性。

全文目录

摘要  4-5
Abstract  5-8
第一章绪论  8-13
  1.1 研究的背景和意义  8-9
  1.2 国内外研究现状  9-10
  1.3 本文研究内容和创新点  10-13
    1.3.1 研究内容  10-11
    1.3.2 主要创新点  11-13
第二章时间序列数据挖掘概述  13-18
  2.1 时间序列基本知识  13
  2.2 时间序列数据挖掘功能  13-15
  2.3 时间序列周期模式挖掘  15-18
第三章时间序列部分周期模式挖掘研究  18-31
  3.1 部分周期模式基本知识  18-19
  3.2 Apriori算法  19-20
    3.2.1 Apriori算法描述  19-20
    3.2.2 Apriori算法分析  20
  3.3 类Apriori算法  20-21
    3.3.1 类Apriori部分周期模式挖掘算法描述  20-21
    3.3.2 类Apriori部分周期模式挖掘算法分析  21
  3.4 最大子模式命中算法  21-27
    3.4.1 最大子模式命中算法基本概念  22-24
    3.4.2 最大子模式命中算法描述  24-26
    3.4.3 最大子模式命中算法性能分析  26-27
  3.5 基于层状链式图的部分周期模式挖掘算法  27-29
    3.5.1 层状链式图基本概念  27-28
    3.5.2 层状链式图算法描述  28-29
    3.5.3 层状链式图性能分析  29
  3.6 本章小结  29-31
第四章基于概念格的时间序列部分周期模式挖掘  31-47
  4.1 概念格的基础知识  31-33
    4.1.1 概念格基本概念  31-32
    4.1.2 Hasse图基本概念  32-33
  4.2 数据预处理  33-38
    4.2.1 二进制编码的映射算法  33-34
    4.2.2 基于权重的POS求值算法  34-35
    4.2.3 周期阈值公式推算  35-37
    4.2.4 潜在周期发现算法  37-38
  4.3 基于概念格的时间序列部分周期模式挖掘  38-46
    4.3.1 概念格构建算法简介  38-39
    4.3.2 增量式概念格构建算法  39-45
    4.3.3 基于概念格部分周期模式挖掘算法  45-46
    4.3.4 基于概念格部分周期模式挖掘算法分析  46
  4.4 本章小结  46-47
第五章实验及性能分析  47-51
  5.1 实验数据准备  47-48
    5.1.1 实验数据  47-48
    5.1.2 开发环境  48
  5.2 实验结果及分析  48-49
    5.2.1 实验结果  48-49
    5.2.2 结果分析  49
  5.3 本章小结  49-51
第六章总结与展望  51-53
  6.1 全文总结  51
  6.2 不足与展望  51-53
参考文献  53-57
致谢  57-58
攻读硕士期间发表论文  58
攻读硕士期间参与科研项目  58

时间序列部分周期模式挖掘研究

内容摘要

全文目录

相似论文