运用空间重构进行时态序列模式演化挖掘

doi:10.3778/j.issn.1002-8331.2010.11.043

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (11): 142-144.DOI: 10.3778/j.issn.1002-8331.2010.11.043

• 数据库、信号与信息处理 • 上一篇下一篇

运用空间重构进行时态序列模式演化挖掘

王炳雪

上海财经大学信息管理与工程学院，上海 200433

收稿日期:2009-03-12 修回日期:2009-06-01 出版日期:2010-04-11 发布日期:2010-04-11
通讯作者: 王炳雪

Mining pattern evolution on temporal sequences with space reconstructing

WANG Bing-xue

School of Information Management & Engineering，Shanghai University of Finance and Economics，Shanghai 200433，China

Received:2009-03-12 Revised:2009-06-01 Online:2010-04-11 Published:2010-04-11
Contact: WANG Bing-xue

摘要/Abstract

摘要： 为了研究时态序列模式演化特征，在给出模式演化片段、模式演化片段集合和频繁模式演化片段定义之后，基于Takens定理，论证了重构空间内模式演化与原空间模式演化之间的等价性关系；给出了重构后的频繁模式演化范型挖掘方法和频繁模式演化范型生成规则的方法；针对周期、混沌和利率三种不同类型的序列数据进行方法的有效性研究。

关键词: 时态序列挖掘, 模式演化, 空间重构

Abstract: For discovering the features of pattern evolution on temporal sequences，based on Takens’ theorem and the definitions of pattern evolution segments，pattern evolution segment sets and frequent pattern evolution，the equivalent relation between the reconstructed pattern evolution and its originality is demonstrated.Methods for finding typical frequent reconstructed pattern evolution and extracting rules from the pattern evolution are proposed.Comparative experiments on periodic data，chaos data and financial data show that the patterns and rules are meaningful and resultful.

Key words: temporal sequence mining, pattern evolution, time-delay embedding

中图分类号:

TP391.77

王炳雪. 运用空间重构进行时态序列模式演化挖掘[J]. 计算机工程与应用, 2010, 46(11): 142-144.

WANG Bing-xue. Mining pattern evolution on temporal sequences with space reconstructing[J]. Computer Engineering and Applications, 2010, 46(11): 142-144.

[1]	孙颖，马江河，张雪英. 结合非线性全局特征和谱特征的脑电情感识别[J]. 计算机工程与应用, 2018, 54(17): 116-121.
[2]	宋春晓，孙颖. 面向情感语音识别的非线性几何特征提取算法[J]. 计算机工程与应用, 2017, 53(20): 128-133.
[3]	钱伟，杨慧慧，孙玉娟. 相空间重构的卡尔曼滤波交通流预测研究[J]. 计算机工程与应用, 2016, 52(14): 37-41.
[4]	陈鸿星. 基于ELM-LSSVM的网络流量预测[J]. 计算机工程与应用, 2015, 51(24): 73-77.
[5]	尹向东，杨杰，屈长青. CPSO算法优化神经网络重构的网络流量预测[J]. 计算机工程与应用, 2014, 50(9): 65-68.
[6]	高俊杰，王豪. 基于改进的G-P算法的相空间嵌入维数选择[J]. 计算机工程与应用, 2014, 50(9): 107-110.
[7]	张显江1，刘小强2. 一种参数联合优化的网络流量非线性预测模型[J]. 计算机工程与应用, 2014, 50(6): 64-67.
[8]	张萌1，2，张沪寅1，叶刚1. 延迟时间和嵌入维数联合优化的网络流量预测[J]. 计算机工程与应用, 2014, 50(4): 103-109.
[9]	刘建华. 相空间重构和SVR联合优化的短时交通流预测[J]. 计算机工程与应用, 2014, 50(3): 13-17.
[10]	叶吉祥，陈鑫. 相空间重构在语音情感识别中的研究[J]. 计算机工程与应用, 2014, 50(24): 218-221.
[11]	安葳鹏，孙贝. 基于分态的煤矿瓦斯浓度预测模型的研究[J]. 计算机工程与应用, 2014, 50(20): 233-238.
[12]	李融. 基于CS-HRVM的网络流量预测[J]. 计算机工程与应用, 2014, 50(17): 90-94.
[13]	吴俊，黎云汉. 相空间重构和支持向量机相融合的网络流量预测[J]. 计算机工程与应用, 2014, 50(16): 67-71.
[14]	黄文华. 改进回声状态网络的热点话题预测模型[J]. 计算机工程与应用, 2014, 50(14): 26-30.
[15]	王雪松1，赵跃龙2. 遗传算法优化延迟时间和嵌入维的网络流量预测[J]. 计算机工程与应用, 2014, 50(12): 66-70.

运用空间重构进行时态序列模式演化挖掘

Mining pattern evolution on temporal sequences with space reconstructing

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics