基于稀疏表示的时间序列最近邻分类

提出一种基于稀疏表示的时间序列最近邻分类模型,旨在通过提取时间序列的关键特征,去除冗余信息,达到减少噪声干扰的目的.该模型首先求解时序数据基于过完备字典的稀疏表示,然后利用非零系数及其对应的原子重构原始序列,最后利用基于距离的分类器进行分类.在18个时间序列公开数据集上的实验结果表明,最近邻分类模型能够提高传统的最近邻分类器的分类准确率.     

金融时间序列的多重分形分类

金融时间序列中的多重分形性质经常与标度不规则性和自相似性相联系,经常用多重分形谱方法对金融时间序列进行分类.提出了谱的宽度和峰值的概念,用来区分不同样本的分布特征,用描述统计的方法来得到内在多重分形性的统计描述特征.研究中所用68个证券市场的日交易数据来自纽约股票交易所20 a的交易数据.结果表明,多重分形特征适用于对金融时间序列进行分类.     

基于最小二乘支持向量机的复杂金融时间序列预测

为了解决神经网络算法预测海量金融时间序列数据会出现训练速度慢,内存开销大等问题,提出一种基于最小二乘支持向量机的复杂金融数据时间序列预测方法.该方法将传统的支持向量机中的不等式约束改为等式约束,且将误差平方和的损失函数作为训练集的经验函数,这样把二次规划问题转化为求解线性方程组问题,提高求解问题的速度和收敛精度.实验中以证券指数为实验数据,对大批量金融数据进行了时间序列预测,相比于神经网络预测方法,该方法在大批量金融数据时间序列预测的训练时间、训练次数和预测误差上都有了明显提高,对复杂金融时间序列具有较好的预测效果.     

基于优化Shapelet的时间序列分类方法

基于Shapelet的时间序列分类算法具有可解释性强、准确率高、速度快的优点,然而在Shapelet发现过程中存在Shapelet产生冗余和形式局限的缺点,严重制约了算法性能的提高。针对这一问题,提出一种基于优化Shapelet的时间序列分类算法,该方法首先利用K-means生成典型的Shapelet候选集,加速Shapelet的生成过程;然后,融合相似性和类标差异性提出Shapelet的选取模型,确保Shapelet的多样性和精简性;最后,提出优化策略获取最佳的Shapelet,并以此为基础实施时间序列分类。实验结果表明,该方法具有较高的分类准确率,并对位移和扭曲特征明显的数据集具有良好的分类效果。     

基于粒子群-支持向量机的时间序列分类诊断模型

构建一种基于粒子群算法-支持向量机(PSO-SVM)的磁共振功能成像(fMRI)时间序列分类诊断模型,通过针对脑区多维时间序列数据的深层次分析实现病症患者和健康者的准确判断与区分,为面向fMRI时间序列数据的病症诊断和预测提供有效科学依据.该方法在以下4个方面不同于其他已有相关研究工作:(1)构建基于自回归模型的脑区多维时间序列数据特征表示;(2)构建基于支持向量机模型的脑区多维时间序列数据分类机制;(3)构建基于粒子群算法的分类学习参数寻优策略;(4)建立融合上述特征表示、优化分类与参数优选模式的fMRI时间序列数据分类诊断模型.通过以精神抑郁症作为实证分析的具体案例,所提出分类诊断模型已取得良好实验效果,展示出其有效性与合理性.     

基于季节时间序列模型的网络流量实证分析

针对CERNET上的一段网络流量数据,基于季节时间序列相关理论,对其进行实证分析,对数据进行预处理、模型的适应性检验、平稳性检验、白噪声检验及模型预测．通过经验和实际的理论操作,充分显示了季节时间序列在处理网络流量这种带有周期性性质数据中的优势．     

基于符号表示的时间序列分类综述

一种有效的时间序列符号表示方法不仅可以实现数据高效降维,且对噪声具有鲁棒性,对于提高分类算法的性能和效率具有重要意义。本文从基于趋势特征、基于聚类或进化计算、基于文本以及基于频率域的角度,对近年来基于符号表示的时间序列分类方法的研究进行比较归类,为研究者了解最新的符号时间序列分类方法研究动态和发展趋势提供参考。     

基于门控循环单元神经网络的金融时间序列预测

针对循环神经网络(recurrent neural networks,RNN)网络结构存在的长期依赖问题,门控循环单元(gated recurrent unit,GRU)神经网络作为RNN的一种变体被提出。在继承RNN对时间序列优秀记忆能力的前提下,GRU克服了时间序列的长期依赖问题。本文针对金融时间序列数据存在的依赖问题,将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。该模型能够处理金融时间序列数据的复杂特征,如非线性、非平稳性和序列相关性。通过对标准普尔(SP)500股票指数的调整后收盘价进行预测,实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低的计算开销。     

基于数据挖掘的金融时序频繁模式的快速发现

针对金融时间序列分析中注重快速作出趋势判断的特点,利用数据挖掘的思想和工具,提出一种金融时间序列模式快速发现算法.与传统的预测算法相比较,该算法对数据的分布和平稳性等方面的要求不高,不基于任何假设,能够非常快速地发现时间序列中的频繁模式,经过模式匹配后,可以用于金融时间序列的分析与预测.以实际汇率数据为例,证明了该算法的有效性.     

一种金融时间序列区域分割方法的研究

金融时间序列指描述不同金融产品诸如股票、汇率与基金等的时间序列.它与金融市场中人类的各种经济活动密切相关,呈现出复杂多变的状态.为了从海量的金融数据中发现有价值的,可用于投资的信息,大量学者采用数据挖掘来对金融时间序列作数据提取和处理.由于金融时间序列具有高噪声、非平稳性、潜在的周期性等特性,如果直接在金融时间序列的原始数据的基础上进行数据挖掘,会导致结果失败或是取得不理想的挖掘效果.而在数据挖掘前能对原始数据进行数据清洗、数据集成等预处理,数据挖掘质量将达到更好地效果.作为金融时间序列的一个重要分支,股票时间序列预测方法通常采用分段线性表示PLR(Piecewise Linear Representation)进行时间序列的预处理.但是PLR算法存在采用单一的拟合误差作为阈值,分段效果不太理想,算法本身的通用性,时间复杂度等性能都有待提高等缺点.本文提出了金融时间序列区域分割方法,该方法在定性和定量上都优于传统的分段线性方法.     

基于Mixup数据增强的LSTM-FCN时间序列分类

在时间序列分类任务中,针对时间序列数据少和多样性导致深度学习模型准确率不高的问题,提出Mixup数据增强的长短期记忆网络–全卷积网络(LSTM-FCN)时间序列分类算法.该算法首先使用Mixup对原始数据进行数据增强,通过简单的线性插值对时序数据进行混合,得到新的混合之后的增强数据;然后使用增强数据训练LSTM-FCN...     

基于预训练交互式图神经网络的多元时间序列异常检测

多元时间序列异常检测是数据挖掘领域中的一项重要应用.基于深度学习的异常检测方法已经取得了重大进展,但其仍然存在一定的局限性.首先,是它们假设训练数据仅由正常数据组成,而忽略了异常数据可能导致的不可预测性;其次,大部分方法并未考虑到时间序列的独特特性.为了解决上述问题,基于预训练提出了一种新颖的用于多元时间序列的异常检测框架.框架由预训练模块和预测模块组成,首先预训练模块通过学习时间序列的密集向量表示,增强其可预测性,然后预测模块中充分利用时间序列的独特特性捕获其时间依赖.通过广泛的实验证明了所提出的模型的有效性,在三个真实数据集上均显著优于最先进的模型.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

传感器网络时间序列数据的事件分类研究

目前智能环境中传感器网络所采集的海量数据面临着进行有效事件的模式分类及异常检测的难题.为了有效对智能环境中传感器网络采集的时间序列数据所表征的事件进行分类,提出了基于协方差特征空间映射数据的聚类分析方法.通过对采集得到的时间序列数据按时隙进行划分,映射到协方差特征空间,然后对映射后的数据进行了动态密度聚类,从而实现对事件的分类;并根据聚类结果建立分类模板,作为对日常事件进行分类划分的检测方法,同时利用所得的分类模板,实现对异常事件的检测.实验结果表明,基于协方差特征空间映射数据的聚类分析方法能有效对传感器网络采集的时间序列数据所表征的事件进行分类,并能有效提升异常事件的检测及筛选效果.     

ARCH模型在金融时间序列中的拟合应用

讨论了自回归条件异方差(Autoregressive Conditional Heteroskedastic,简称ARCH)模型在金融时间序列分析中的拟合应用,以一金融时间序列为例,通过SAS/ETS中的自回归(Autoreh)过程实现对该金融时间序列的自回归-广义自回归条件异方差(Autoregressive-generalzed ARCH,简称AR-GARCH)模型的拟合和分析,最终得到理想结果.     

广义模糊时间序列模型模糊区间划分研究

在模糊时间序列模型的构架中,介绍了广义模糊时间序列模型建立过程和常用的模糊区间划分方法,提出了基于均匀划分、模糊C均值聚类和自动聚类3种模糊区间划分方法的广义模糊时间序列模型,并用Alabama大学入学人数和沪市股指两组数据对模型进行了详细的分析.实验结果不仅揭示了这3种方法对模型预测结果的影响,还证明了广义模型优于传统模型.     

基于Volterra-Wiener-Korenberg模型的亚洲6种汇率非线性特征研究

基于Volterra-Wiener-Korenberg(VWK)模型非线性检验方法对亚洲6种汇率时间序列进行了非线性动力学特征研究,并结合替代数据分析检验了该方法在汇率时间序列领域统计结果的有效性.结果表明通过比较原始数据和基于原始数据所产生的替代数据之间的差异度,零假设在95%置信度范围内被拒绝,基于VWK模型非线性检验方法能够有效地检验出6种汇率的非线性特征,且这6种汇率呈现出内在的确定性非线性结构.     

金融时间序列预测中的神经网络方法

概述了神经网络方法在金融时间序列预测应用中所面临的有关问题,给出了解决方法;针对有关模型和算法作了计算模拟与分析,得到了一些可供今后研究参考的经验结果;讨论了金融时间序列预测中主要的神经网络模型,如多层前馈网络、径向基函数网络以及支持向量机网络等.总结了关于模型改进的一些近期研究进展与结果,指出了神经网络用于金融时间序列预测的一些可能的方向.     

基于Landsat数据和农田概率时间序列子序列的退耕监测方法

提出一种利用Landsat数据和时间序列子序列的退耕监测方法.首先利用随机森林方法,对每年的Landsat数据统计值进行分类,得到每个像元属于农田的概率,由每年的农田概率构成年际的农田概率时间序列;然后,对退耕(农田变为非农田)及相关地物类别的农田概率时间序列进行分析,得到代表退耕的时间序列片段,即特征子序列;最后,计...     

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.