时间序列相似性搜索算法研究

时间序列分析正成为数据挖掘研究的热点,时间序列的相似性搜索是时间序列研究的重要方面,介绍了时间序列相似性搜索研究的现状,详细分析了两类具有代表性的时间序列相似性搜索算法及各自特点,指出了时间序列相似性搜索研究的挑战性及目前的局限性。     

浅谈数据挖掘在证券投资上的应用

文章简单论述了数据挖掘技术在证券投资上的应用,并分析了如何提高证券投资成功率的思路。     

数据挖掘与证券投资

文章论述了数据挖掘技术在证券投资上的应用。利用数据挖掘对证券时间序列进行趋势变动与趋势预测，具有很好的参考价值和良好的应用前景。     

时间序列数据库中的数据挖掘

本书是《机器感知与人工智能》丛书的第57卷。主要内容为现代信息系统存储的时间数据中预处理、挖掘与解释中的某些新进展，并将时间维数加到数据库中产生时间序列数据库（TSBD）。书中介绍了数据挖掘与知识发现中的新的状况与挑战。其中包括寻找时间序列数据的有效表达方法，测量时间序列的相似性，检测时间序列的改变点以及时间序列的分类与聚变。     

基于两点的时间序列相似性研究

目前,时间序列相似性判定大多采用欧式距离和动态时间弯曲DTW（DynamicTimeWar．ping）方法,这两种方法均存在一定缺陷。欧式距离要求序列长度一样,垂直移动序列将影响相似性判定和阈值设置的经验性;动态弯曲距离对欧式距离进行了优化,避免了欧式长度的一致性,但其他两个缺点仍然存在且计算复杂度增加。提出了一种新的基于两点时间序列相似性算法,可计算任意两序列的相似度。首先分析了两点组成的序列形态,提出了相似性判定方法TPSS（TwoPointsSegmentationSimilarity）;其次为提高相似性判定的鲁棒性,减少人为阈值设置的影响,对TPSS进行了拓展;最后给出了算法及实验分析。实验结果表明,该算法能很好地判定任意序列的相似性,提高了鲁棒性及减少人为干预,对数据挖掘中的聚类与预测有很好的帮助作用。     

金融时间序列数据挖掘的研究与应用

介绍了金融时间序列分析及其方法,阐述了金融时间序列数据挖掘的特点,总结了金融时间序列数据挖掘的主要方法,介绍了金融时间序列数据挖掘的典型应用及技术进展。     

水文时间序列的相似性搜索研究

将时间序列相似性搜索的数据挖掘方法应用于水文时间序列数据中,挖掘相似的水文过程.在分析欧氏距离和动态时间扭曲距离两种相似性距离度量方法特点的基础上,采用对时间轴的伸缩和弯曲具有较好适应性的动态时间扭曲距离法对塔里木河流域源流区出山口水文站沙里桂兰克站1961—2000年共220场洪水流量过程进行相似性搜索,基于相似性距离度量矩阵,挖掘出相似的洪水流量过程.结果表明,沙里桂兰克站洪水过程虽形态多样,但也表现出一定的相似性,基于动态时间扭曲法的相似性搜索能有效挖掘出相似的水文过程.     

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。     

证券组合的时间序列模型

针对证券的时变特性,联合运用差分方法和指数平滑法,建立了证券组合的时间序列模型。     

中国期货市场单日基于连续时间序列的数据挖掘

介绍了棉花期货单日成交记录的数据挖掘以及多种商品期货在单日的交易记录中存在的问题,通过对中国期货市场的分析,更大限度地揭示了市场特征,为期货投资者提供更大的帮助。     

RCR:一种面向金融时间序列的相似度量模型

在对我国证券市场交易数据的研究基础上,提出了一种新的面向金融时间序列的相似度量模型。此模型的数学定义清晰,易于计算机实现,能够有效完成形态搜索的自动化。给出了模型的形式化定义和模型的性质,并在实际股票交易数据上进行了相似性搜索实验,实验结果验证了模型的识别能力。     

时间序列数据的相似模式抽取

提出一种基于多项式回归分析的相似性度量和时间序列相似模式抽取的系统化方法,其基本思路是用一个分段多项式回归模型近似一个时间序列,把原始序列映射到多项式系数张成的特征空间,并推导出此特征空间的欧几里德距离作为相似性度量,从而自然地把原始序列分为一个不重叠的有序子序列集合,然后对这个子序列集合进行聚类,得到一组不重叠的模式。所提方法还定义了不等长度时间序列相似的概念。说明了一些著名的分段直线表示（PLR）法是所提方法的特例,并给出了理论分析和实验结果。     

基于MODWT—ARIMA时间序列的棉花期货高频数据分析

介绍了ARIMA时间预测算法及MODWT小波变换的数学原理,通过对单日棉花期货的交易记录进行了MODWT—ARIMA组合分析,避免了对时间序列起点的敏感,更好地实现了对棉花期货时间序列的预测。     

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。     

时间序列数据的稳健最优分割方法

针对分段多项式回归方法存在计算效率低和对噪声较敏感等缺点，提出了具有稳健性的最优分割方法，以解决时间序列数据相似搜索及知识发现处理中的长时间序列分割问题。该方法采用自顶向下策略，然后根据自适应定阶算法直接选定一个合适的多项式阶，对每个候选变化点，经过一次判断即可确定多项式的合适阶次。由于该方法基于对线性模型的数据矩阵作奇异值分解，从而可自适应确定子序列合适的模型，简化了计算过程，文中对此给出了理论证明。通过与Garalnik-Srivastava方法进行实验比较，证明所提方法不仅计算效率高，而且具有良好的稳健性。     

多数据流时间序列中的依赖模式发现算法研究

针对多数据流组成的时间序列中发现有用的结构模式的MSDD算法不能很好地对节点剪枝，以及直观地表示模式的时间关系的问题，经过研究，提出了发现多数据流时间序列结构模式的算法：时间窗口移动筛选算法(TWMA)．采用事件序列化的策略来发现多流时间序列中的依赖模式，与MSDD相比，在表示上更直观，发现模式的过程更灵活．