资料下载
×
时间序列分段线性表示及相似性算法研究
消耗积分:3 |
格式:rar |
大小:226 |
2009-08-18
吴藩
分享资料个
随着计算机软、硬件的进步，人们利用信息技术产生和搜集数据的能力大幅度提高。
作为数据挖掘的重要研究课题之一，时间序列的挖掘与预测近几年发展迅速。本文对时间序列的分段线性化表示进行了研究，采用新的分段线性化表示方法建立了序列相似性度量准则，弥补了以往度量准则对时间轴上伸缩的变化敏感的问题。新的表示方法和相似性度量准则使时间序列数据更容易应用传统的数据挖掘方法。
近十几年来，随着计算机软、硬件的迅速发展，人们利用信息技术产生和搜集数据的能
力大幅度提高，数以千万计的数据库被用于商业管理、政府办公、科学研究和工程开发等方面。数据采集工具的进步使我们拥有了数量庞大的数据。如何从海量数据中及时发现有用的知识，提高信息利用率，并将这些有用的信息和知识运用到实际工作中去成为一个迫切需要解决的问题。因此，数据挖掘(Data Mining， DM)通常又称为数据库知识发现(Knowledge Discovery in Database， KDD)的需求越来越强烈。而在时间序列的数据挖掘研究中，相似性搜索更是一个重要的研究内容，这主要是受到实际需要的驱使而产生的。时间序列相似性研究中有效的数据描述是提高相似性搜索效率和减少搜索时间的关键。
作为数据挖掘的重要研究课题之一，时间序列的挖掘与预测近几年发展迅速。本文对时间序列的分段线性化表示进行了研究，采用新的分段线性化表示方法建立了序列相似性度量准则，弥补了以往度量准则对时间轴上伸缩的变化敏感的问题。新的表示方法和相似性度量准则使时间序列数据更容易应用传统的数据挖掘方法。
近十几年来，随着计算机软、硬件的迅速发展，人们利用信息技术产生和搜集数据的能
力大幅度提高，数以千万计的数据库被用于商业管理、政府办公、科学研究和工程开发等方面。数据采集工具的进步使我们拥有了数量庞大的数据。如何从海量数据中及时发现有用的知识，提高信息利用率，并将这些有用的信息和知识运用到实际工作中去成为一个迫切需要解决的问题。因此，数据挖掘(Data Mining， DM)通常又称为数据库知识发现(Knowledge Discovery in Database， KDD)的需求越来越强烈。而在时间序列的数据挖掘研究中，相似性搜索更是一个重要的研究内容，这主要是受到实际需要的驱使而产生的。时间序列相似性研究中有效的数据描述是提高相似性搜索效率和减少搜索时间的关键。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
