时间序列时序关联规则挖掘研究

１．４本文的创新点

本文在现有国内外研究的基础上加以创新，主要的创新点归纳如下：

１、在时序关联规则挖掘的时间序列预处理中，提出基于数据相对变化率的孤立点噪声数据识别方法。时间序列一般都含有噪声数据，噪声数据的存在对时序关联规则挖掘产生很大的影响，因此，在挖掘前必须清洗。由于时间序列压缩对一般噪声数据具有一定容忍性而对孤立点噪声数据却没有，同时孤立点噪声数据的存在会影响时间序列的分割和时间序列模式表示，所以识别和删除时间序列中的孤立点成为时间序列预处理的重要工作之一。本文综述时间序列孤立点识别方法，并讨论这些方法存在的缺点，最后抓住时间序列孤立点相对相邻数据具有很强跳跃性的特点提出数据相对变化率的孤立点识别方法。

２、在时间序列模式相似性度量中，一方面提出度量两个时间序列元模式相似性的加权距离法，另一方面提出度量两个时间序列序列模式的动态时间弯曲距离法。在时序关联规则的挖掘中，因为模式的频繁性是由与之相似模式的数量决定，所以模式相似性的度量也就显得尤为重要。在时序关联规则的挖掘中，元模式单调距离法对元模式单调性的表示过于单一、元模式向量距离法度量并不满足三角不等式公理，．因而这两个方法对元模式相似性的度量都存在一定缺陷，这就决定这两个相似性度量方法都不适合频繁模式的获取。因此，本文针对时间序列模式的特点提出元模式的加权距离，并把时间序列的动态时间弯曲距离方法运用到可以度量任意两个长度序列模式的相似性，从而提出度量两个时间序列序列模式的动态时间弯曲距离法。

３、在时间序列时序关联规则的获取中，提出分层时序关联规则获取方法。时序关联规则的时间约束、关联规则前、后件的长度决定时序关联规则的获取。为了各种长度前件的时序关联规则，把模式序列分成不同长度的子模式，由此提出分层时序关联规则的获取方法。由于频繁模式在一般时序关联规则和时间序列时序关联规则的界定上存在差异，这种方法有别于一般的获取方法；但也由于这种方法考虑到时序关联规则的各种长度“前件”，所以具有其他时序关联规则获取方法所不具有的优点。８