摘要

题，然后针对时间序列的时序性特点提出度量时间序列相似性的图形相似法，并分析该方法的优缺点；另一方面研究多元时间序列的相似性。首先分析度量多元时间序列相似性的必要性，然后分析该研究的难点所在，最后提出两种度量时间序列相似性的方法：基于矩阵范数和基于综合属性的多元时间序列的相似性度量方法。

（６）时间序列时序关联规则挖掘平台

时间序列时序关联规则挖掘平台以朋翰作为开发语言，共有六个模块，实现数据加载、时间序列的预处理、时间序列压缩、时间序列模式相似性度量、时序关联规则获取、时序关联规则评价和时间序列相似性度量等功能。一方面对各个步骤的改进方法进行实证分析，另一方面实现从时间序列中挖掘时序关联规则。

本文的研究按照时序关联规则的挖掘步骤展开，从时间序列时序关联规则的第一步时间序列预处理到最后一步时序关联规则解释与评价。在每个步骤中，对已有研究进行梳理，对所涉及的理论模型进行推导，并提出改进方法。由于时间序列相似性在时间序列数据挖掘中起到重要作用，本文专门对时间序列的相似性进行探讨。本文的主要创新点归纳为：

（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，其存在对时序关联规则的挖掘有很大影响，因此，在挖掘前必须去除噪声数据。但由于时间序列压缩对孤立点噪声数据不具有容忍性，而且孤立点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噪声数据便成为时间序列预处理的重要工作之一。数据是否是时间序列的孤立点，关键是看它与周围数据的跳跃程度。本文以时间序列数据相对变化率作为判断其跳跃程度的标准，提出新的孤立点噪声数据识别方法。

（２）在时间序列模式相似性度量中，提出度量两个元模式相似性的加权距离法以及可以度量两个不同长度序列模式相似性的动态时间弯曲距离法。在时序关联规则的挖掘中，元模式单调距离法、元模式向量距离法度量两个元模式相似性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，并在此基础之上提出度量两个序列模式相似性的动态时间弯曲距离法。３