基于GM(1,1)模型的时间序列分段表示方法

时间序列分段表示的目的是对序列进行降维,并使得处理后的数据尽可能保留原始数据特征。以较小的误差,对数据进行较高比率的压缩,是分段表示方法的目标。以往的分段方法主要用线段进行分段,在数据拟合时,存在较大的误差。本文利用GM(1,1)模型的单调变化性质,在拟合误差阀值的限制下,提出了一种基于GM(1,1)模型的分段表示方法(GMPR)。经实验验证,得出相比以往的线性分段方法,GMPR可以取得更好的结果。     

非等间距GM（1，1）模型背景值的改进及其应用

根据模型的指数特性以及积分特点,以数据曲线在每个区间[k_(i-1),k_i]与坐标轴所围成的梯形面积作为模型背景值z~(1)(k_i)与z~(1)(k_(i-1))的差值,并对其进行修正,从而达到对传统非等间距GM(1,1)模型进行优化的目的.最后采用实例进行验证,并将结果同其他文献的拟合精度进行对比,从而验证算法的有效性与可行性.     

GM（1，1）模型在轨迹聚类中的应用

针对移动对象轨迹数据在获取过程中可能存在延迟、缺失,使得轨迹数据存在不确定性的情况.利用GM(1,1)模型在预测、决策领域中的优势,在拟合误差阀值的限制下,提出一种基于GM(1,1)模型的轨迹分割方法(TR_GMPR).之后,对分割后的轨迹段利用DBSCAN算法进行聚类.实验表明,生成的特征轨迹相比其他线段分割的轨迹聚类结果,更符合实际情况.     

基于灰色方法与结构距离的飓风轨迹聚类算法

飓风轨迹的聚类分析以轨迹间的相似性为基础.但是目前轨迹相似距离研究主要仅针对一个或两个轨迹属性,使得得到的聚类结果无法充分体现轨迹的运动特征.为充分利用轨迹的属性特征,结合灰色相关理论,提出将位置、方向、速度三个属性融合为结构相似距离,并以此作为轨迹间相似距离度量函数进行聚类分析,以达到更全面了解轨迹运动特点的目的.实例分析表明该算法能充分体现轨迹运动特征,聚类结果更具有实际意义.