基于时序数据的模式发现算法研究

数据库中的知识发现是人工智能领域的一个重要课题.本文针对时序数据中复杂模式的问题,提出了一种新的时序序列模式的逻辑表示法,并设计出一种新的时序序列建模算法.     

基于时序数据的模式发现算法研究

数据库中的知识发现是人工智能领域的一个重要课题,该文针对时序数据中复杂模式的问题,提出了一种新的时序序列模式的逻辑表示法,并设计出一种新的时序序列建模算法。     

时序数据库关键技术综述

随着工业物联网（industrial Internet of things,IIoT）的不断发展,越来越多的设备和传感器开始连接到网络中,产生了大量的时间序列数据（简称“时序数据”）,时序数据爆炸式的增长给数据库管理系统带来了新的挑战：持续高吞吐量数据摄取、低延迟多维度数据查询、高性能时间序列索引以及低成本数据存储.近年来时序数据库技术已经成为一个研究热点,一些学者对时序数据库技术进行了深入的研究,同时出现了一些专门用于管理时序数据的时序数据库,并且已经被应用在多个领域,成为工业物联网中不可缺少的关键组成.现有的时序数据库相关综述侧重于时序数据库的功能和性能比较,以及在特定领域中对时序数据库的选择建议,缺少对时序数据库持久化存储、查询、计算和索引等关键技术的研究,同时这些综述工作出现的时间较早,缺少对现代时序数据库关键技术的研究.对学术界时序数据存储研究和工业界时序数据库进行了全面的调查和研究,凝练了时序数据库的4类关键技术：1）时间序列索引优化技术;2）内存数据组织技术;3）高吞吐量数据摄取和低延迟数据查询技术;4）海量历史数据低成本存储技术.同时分析总结了时序数据库评测基准.最后,...     

时序数据挖掘方法研究

数据库知识发现的基本思想就是从数据中抽取有价值的信息，其目的是帮助决策者寻找数据间潜在的关联，发现被忽略的要素，而这些信息对预测趋势和决策行为也许是十分有帮助的。时序数据挖掘是数据库知识发现研究中的重要分支之一。趋势分析与相似搜索是时序数据挖掘的主要技术与方法。通过趋势分析，可以制定出比较合理的长期或短期预测，从而为科学决策提供有效的依据；而在相似搜索中，采用了模糊匹配技术，符合人脑思维特性，因而更合理有效。     

应用于GIS系统的多级时序数据模型

GIS中地理对象生命期的表示以及动态信息的表达需要时序数据的支持。一些基于关系数据库的GIS系统在实现时序数据时形成大量的数据冗余且难以维护数据的一致性。针对这些问题，结合GIS中对于时序精度的不同需求，提出了一种多级别时序数据模型。讨论了时间的相关概念，定义了一套基本的时间对象类型，提出并解释了对象级和属性级时序数据模型。基于面向对象数据库的实现显示，模型不仅满足了GIS中支持时序数据的需求，同时在存储开销、数据一致性等方面具有显著的优点。     

基于influxDB的工业时序数据库引擎设计

工业时序数据具有测点多、采样频率快、读取性能要求高等特点。influxDB提出时间结构合并树TSM,解决了数据的读写性能优化问题,并针对整数、浮点数、布尔、字符串、时间五种数据类型采用不同的压缩算法。它在读写性能、存储空间占用方面取得了较好的效果,在开源时序数据库软件中排名第一。针对influxDB元数据结构相对于工业时序数据过于复杂的问题,提出简化后的TSM文件结构,开发工业时序数据库的引擎,并进行了读写性能测试。结果显示,该引擎一次5万点整型数据写入平均耗时约310 ms,读取1 000点共计100万条数据耗时约626 ms,并且具有很大的性能提升潜力。     

时序模式发现算法研究

针对时序数据 ,提出一种新的时序模式的逻辑表示法 ,通过分段线性表示法 ,将时序曲线拟合为线段序列 ,从而以相对应的线段的斜率反正切值序列作为模式的逻辑表示 .在此基础上 ,设计出时序模式发现算法 ,此算法能够自动地发现所有 (子 )模式 .有关实验结果证明算法是行之有效的 .     

基于C8051F060单片机的分离时序控制器的设计

主要介绍了一种基于C8051F060单片机控制的分离时序控制系统,该系统接收相关的关键触发信号,通过串口接收上位机下发的数据,并按此数据产生分离时序,按时序输出火工品点火信号.该系统具有模式选择、显示及刷新数据的功能.系统目前已投入使用,具有较高可靠性和很强的应用价值.     

时序模式发展算法研究

针对时序数据,提出一种新的时序模式的逻辑表示法,通过分段线性表示,将时序曲线拟合为线段序列,从而以相对应的线段的斜率反正切值序列作为模式的逻辑表示,在此基础上,设计出时序模式发现算法,此算法能够自动地 有所（子）模式,有关实验结果证明算法是行之有效的。     

基于数据符号化表示和云模型的时序数据生成方法*

为得到可靠的仿真数据,提出一种基于数据符号化表示和云模型的时序数据生成方法。首先用SFVS算法将原数据或是数据的先验知识(很多时候仅能获得相关领域的一些知识而非数据)表达为一个符号矢量,然后用定性定量转换工具——云模型利用符号矢量产生相应的时序数据。仿真实验表明,该方法产生的数据具有与原数据一样的结构特征、知识蕴涵,并具有可控的随机性、复杂性。