检测时间序列数据中的例外模式

提出一种从时间序列数据中辨识例外模式的系统化方法,包括4个步骤1)将时间序列数据分割为一系列子序列;2)将这些子序列映射到某个特征空间;3)在此特征空间中,用聚类算法将分割得到的子序列聚类为不同的模式;4)定义例外支持的概念,并计算每个模式的例外支持,如果某个模式的例外支持小于1,则该模式是一个例外模式。实验表明该方法能够有效地监测出时间序列中的例外模式。     

变换域时间序列相似性搜索

在时间序列的研究中,经常需要计算二个序列的相似程度.由于序列变化的多样性和复杂性,结果通常不能很好地满足要求.采用变换法则对时间序列进行从时域到频域的转换,再将转换后的数据按照一定的规则变换成字符序列;利用求最长公共子序列的方法计算二个序列的匹配度,实现时间序列的相似性搜索.     

关于股票价格的二阶模糊时间序列

由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama 大学的入学人数进行预测,预测结果精度较高.     

变换域时间序列相似性搜索

在时间序列的研究中，经常需要计算二个序列的相似程度。由于序列变化的多样性和，复杂性，结果通常不能很好地满足要求。采用变换法则对时间序列进行从时域到频域的转换，再将转换后的数据按照一定的规则变换成字符序列；利用求最长公共子序列的方法计算三个序列的匹配度，实现时间序列的相似性搜索。     

基于免疫算法的时间序列预测模型

在自然科学和社会科学中,大量的决策问题需要利用时间序列模型进行预测,针对时间序列参数估计的不精确,往往会对预测结果造成影响的问题,提出一种基于免疫算法优化时间序列模型参数的方案,该方案利用免疫算法精确计算的优势,先利用最大似然参数估计方法将时间序列模型的待定参数表示成其样本观测值联合概率的似然函数,然后使用免疫算法求得该函数的极值,从而可以得到时间序列模型的待定参数,最后为了验证该模型预测的精确性,使用上证指数和深证指数的金融时间序列的数据作为测试样本数据集,我们将预测结果与标准的AR-MA时间序列模型和其他预测模型进行比较,以分析它的性能.     

时间序列分析在粮食产量预测中的应用

出于对实际应用的考虑,在利用Box-Jenkins建模方法处理时间序列数据时,给出了一种新的基于先验信息的Bayes估值方法.由于此估值方法涉及到复杂的后验概率计算问题,所以本文给出了运用Gibbs抽样及SIR抽样算法来对后验概率进行计算的具体算法.其次,应用以上理论,对1949年至2009年的粮食产量数据进行分析,并...     

短期负荷概率性预测的混沌时间序列方法

提出了一种基于混沌时间序列的短期负荷概率性预测方法.该方法采用混沌时间序列预测得到确定性预测结果,进而计算局部预测方差,并根据不同置信水平下的历史预测误差样本的双侧分位数估计值,构造概率性预测区间,实现短期负荷的概率性预测.采用北方某电网负荷数据进行了实验,验证了该方法的可行性与有效性.     

一种飞行数据相似子序列查询方法

飞行数据是一种典型的时间序列数据,其存在随机噪声以及各种复杂变形,导致了相似子序列查询困难。为此,提出一种基于DTW病态匹配的飞行数据相似子序列查询方法。首先,利用已知的查询序列样本集构建上、下边界曲线,同时给出了相应的下界距离,并证明了其正确性。以此建立下界算法,用于筛选相似度高的子序列。其次,利用DTW距离搜索路径病态匹配来对筛选后的子序列无效序列段进行识别并去除,解决了子序列有效匹配长度难以确定的问题。仿真实验结果表明：该方法可以较为精确地查询出相似子序列,其起止时间偏差可以控制在3 s以下,满足飞机飞行动作查询的实际需求。     

基于结构元的时间序列分析与应用

在许多实际问题中,观测得到的数据序列既具有随机性,也含有模糊性,称其为模糊时间序列,由于模糊数计算的困难以及缺点导致模糊时间序列分析无法避免的缺陷,考虑利用一种新的模糊时间序列分析的方法,即将模糊中值和模糊跨度分别速模;并给出了实例。     

时间序列平稳性检验

对于一个时间序列的分析首先要判断是否是平稳时间序列,即看它的均值和方差是否随时间的变化而变化,且自相关函数是否与时间间隔有关而与所处的时刻无关。通常,大多数时间序列是非平稳的。因此,首先要检验平稳性,然后再将非平稳时间序列转化成平稳时间序列。在时间序列分析中,为检验序列的平稳性,经常要用到一阶差分,二阶差分,有时为选择一个合适的时间序列模型还要对时间序列数据进行对数转换或平方根转换等。从时间序列数据和时间序列模型2方面来阐述时间序列平稳性的检验,共介绍4种检验法。在实际中可以将这些方法与实际背景相结合来判断时间序列的平稳性。     

An Improving Indexing Approach on Time Series Based on Minimum Bounding Rectangle

A fundamental problem in whole sequence matching and subsequence matching is the problem of representation of time series. In the last decade many high level representations of time series have been proposed for data mining which involve a trade-off between accuracy and compactness. In this paper the author proposes a novel time series representation called Grid Minimum Bounding Rectangle (GMBR) and based on Minimum Bounding Rectangle. In this paper, the binary idea is applied into the Minimum Bounding Rectangle. The experiments have been performed on synthetic, as well as real data sequences to evaluate the proposed method. The experiment demonstrates that 69%- 92% of irrelevant sequences are pruned using the proposed method.     

时间序列的快速相似性搜索改进算法

针对时序数据进行相似性挖掘方法的研究，提出一种寻找已知序列的所有相似性子序列的方法，用该方法对数据模拟，结果表明该算法提高了查询性能。     

基于机器视觉的动态多目标识别

提出了一种基于机器视觉的实时动态多目标识别的方法.该方法首先根据前后帧之间像素的变化,分割出运动目标和样本图像,然后使用Gabor滤波器提取图像的特征,得到特征向量.最后使用Fisher判别准则分类识别,将得到的分类识别结果自动标注在输出图像中,并且将其连续输出,便能获得已经识别完成的输出视频.实验结果表明,在多个动态目标的情况下,综合运用Gabor特征与帧间差分法的动态目标识别方法能准确检测到动态目标区域,并能准确分类、识别和标注.     

时间序列在建筑结构振动分析中的应用

采用时间序列方法对工程爆破引起的邻近建筑结构振动信号进行了谱分析，算倒结果表明，与传统方法相比，采用AR模型的时间序列分析方法具有谱分辨率高的优点，可以获得建筑结构振动谱分布的细节特征。     

基于灰度与边缘的图像分割方法

提出一种基于多图像信息的图像分割方法，利用Ｂａｙｅｓ分类准则，根据每个像素的多图像信息向量将其分为目标或背景，并对动态图像组成的图像序列或静态图像的分割给出了不同的像素分类准则，同时给出了硬件实时实现的原理，该方法适用于图像序列、低对比度图像和其它难于用一种图像信息分割的图像。实验证明了该方法的有效性。     

基于Landsat数据和DMSP/OLS夜间灯光数据的城市扩展提取: 以天津市为例

以天津市为例, 将多时相的Landsat TM/ETM+影像与DMSP/OLS夜间灯光数据结合起来提取城市建成区扩展信息, 并进行验证和分析。首先, 利用DMSP/OLS夜间灯光数据得到城市建成区的大致范围, 利用这个范围内的Landsat TM/ETM+数据和多波段纹理进行图像分类, 得到城市建成区的空间分布。然后, 利用分类后比较法得到城市建成区的变化信息, 将提取的建成区变化结果与利用 DMSP/OLS数据得到的城市建成区扩展信息以及基于统计数据的城市建成区变化趋势进行对比, 验证方法的有效性。结果表明, 结合DMSP/OLS数据和Landsat 数据的光谱特征以及提取的多波段纹理特征, 可有效地减少裸土与城市建成区的混淆, 与只利用光谱信息的建成区提取及变化检测相比, 得到更高的精度。因此, 结合 Landsat TM/ETM+数据和DMSP/OLS夜间灯光数据提供了一种进行大型城市建成区扩展检测的有效方法。     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

基于泰勒级数的重力异常数据快速相关成像

为了提高重力勘探中数据成像的效率，对地球物理勘探中的重力异常数据进行快速三维成像.在相关成像的理论基础上针对立方体元提出利用泰勒级数的算法，重新定义了异常值的计算模型，从而得到新的几何函数.该成像方法通过级数展开、积分等方式，减少了计算量和迭代次数.在理论模型试验中，证明了提出的方法具有良好的成像能力和抗噪性，并通过效率分析说明了该算法能够大幅缩短几何函数矩阵的计算时间，提高成像效率.对文顿盐丘地区的实测重力异常数据进行快速成像，地质体的位置能够被较好地显示出来，验证了算法的可行性.     

基于模态重构与多维评价的时间序列趋势提取

为了准确提取时间序列的趋势特征，提出一种基于模态重构与多维评价的时间序列趋势提取算法。定义重要点作为时间序列分段点的候选集，运用自适应噪声的完备经验模态分解方法对时间序列进行分解和模态重构得到全局因子，使用全局因子度量重要点在整体维度上的重要程度，给出特征因子和边界因子的定义并分别用来度量重要点在单点维度和局部维度上的重要程度，根据3个评价因子综合评价重要点来选取分段点。仿真实验结果表明，该方法具有良好的去噪能力，在相同压缩率情况下的拟合精度比现有方法高，在对心电图趋势提取的实验中也验证了方法的有效性。