基于时空快照数据库的时间序列预测

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (3): 180-182.

基于时空快照数据库的时间序列预测

王大为^1,2,王儒敬^1,2,李营^1,2,魏保子^1,2

1.中国科学院合肥智能机械研究所，合肥 230031
2.中国科学技术大学自动化系，合肥 230026

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-21 发布日期:2008-01-21
通讯作者: 王大为

Based on space-time snapshot of database time series prediction

WANG Da-wei^1,2,WANG Ru-jing^1,2,LI Ying^1,2,WEI Bao-zi^1,2

1.Institute of Intelligent Machines，CAS，Hefei 230031，China
2.Department of Automation，University of Science and Technology of China，Hefei 230026，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-21 Published:2008-01-21
Contact: WANG Da-wei

摘要/Abstract

摘要： 时空数据库是在空间数据库的基础上引入了时间维，时空数据模型和时空变化分析是GIS领域当前研究热点之一。提出一种在时空快照数据中预测时间序列发展和关联规则发现的方法。首先采用基态修正模型表达时空数据，从中提取出时空快照序列，将时空快照序列聚类为几个簇，再在簇内挖掘关联规则。将该方法应用于实验数据，结果证明这种方法能够有效地从时空快照数据中发现时空序列的发展趋势。

关键词: 时空数据, 快照模型, 时间序列, 关联规则

Abstract: Spatio-temporal databases is the database on the basis of the introduction of a time dimension to space database，spatio-temporal data model and the analysis of time and space changes in the field of GIS is the current hot research topic.This paper presents a snapshot of data in space and time predicted time series development and association rules approach.First use of the ground state that the expression spatio-temporal data models，extracted from the space-time snapshot sequence，snapshot sequence of space-time clustering of several clusters，and clusters within the mining association rules.The method is applied to the experimental data，the results show that this method can effectively from the time snapshot of the data found time series trends.

Key words: temporal-spatial data, snapshots model, time series, association rules

王大为^1,2,王儒敬^1,2,李营^1,2,魏保子^1,2. 基于时空快照数据库的时间序列预测[J]. 计算机工程与应用, 2008, 44(3): 180-182.

WANG Da-wei^1,2,WANG Ru-jing^1,2,LI Ying^1,2,WEI Bao-zi^1,2. Based on space-time snapshot of database time series prediction[J]. Computer Engineering and Applications, 2008, 44(3): 180-182.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	逯曼皎，张伟，徐涛. 基于动态矩阵模型的可优化的补货策略[J]. 计算机工程与应用, 2021, 57(7): 263-268.
[3]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[4]	丁智慧，乔钢柱，程谭，宿荣. 基于LSH的shapelets转换方法[J]. 计算机工程与应用, 2021, 57(3): 112-119.
[5]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[6]	刘臣，陈静娴，郝宇辰，李秋，甄俊涛. 基于时空网络的地铁进出站客流量预测[J]. 计算机工程与应用, 2021, 57(18): 248-254.
[7]	曹文超，干宏程. 基于WiFi数据的地铁车站客流预警模型[J]. 计算机工程与应用, 2021, 57(13): 233-238.
[8]	张振海，张湘婷. 上下文感知的高铁信息服务推荐方法研究[J]. 计算机工程与应用, 2021, 57(12): 231-236.
[9]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[10]	杨葛英，沈夏炯，史先进，张磊. 以概念格为背景的关联规则可视化[J]. 计算机工程与应用, 2021, 57(1): 84-91.
[11]	李建勋，唐子豪，张永进，王小江. 基于Kriging方法和Pettitt检验的数据冲突判别[J]. 计算机工程与应用, 2020, 56(3): 86-93.
[12]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[13]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[14]	王见，毛黎明，尹爱军. 结合形状特征及其上下文的多维DTW[J]. 计算机工程与应用, 2020, 56(22): 42-47.
[15]	顾军华，苏鸣，张亚娟，张丹红. 基于位编码链表的快速频繁模式挖掘算法研究[J]. 计算机工程与应用, 2020, 56(19): 86-93.