数据挖掘在给水管网安全中的应用

简要介绍了数据挖掘及其在给水管网安全中的应用。提出了一种基于数据挖掘的时间序列相似性查询方法。通过对事故症候相似性查询，建立安全预警系统，为调度员提供事故预警信息。     

数据挖掘在给水管网安全中的应用

简要介绍了数据挖掘及其在给水管网安全中的应用。提出了一种基于数据挖掘的时间序列相似性查询方法。通过对事故症候相似性查询,建立安全预警系统,为调度员提供事故预警信息。     

多元时间序列相似性搜索研究综述

多元时间序列相似模式挖掘是数据挖掘领域的研究热点,它主要包括特征表示、相似模式度量和相似性搜索3个方面.目前,大部分研究成果主要集中在特征表示和相似模式度量,相似性搜索则成为制约问题突破的关键环节.为此,主要针对多元时间序列的相似性搜索进行综述,归纳了主要的相似模式度量方法,对比了不同相似模式度量下的序列搜索方法,并分析了不同方法的优缺点,以期为进一步研究多元时间序列相似性搜索提供帮助.     

水文时间序列相似性挖掘系统

时间序列分析正成为数据挖掘研究的热点,本文讨论了时间序列相似性研究的现状和典型方法,介绍了水文时间序列相似性系统的设计与实现,详细分析了系统采用的相似性度量方法。     

时间序列理论在电信行业预测决策系统中的应用

文章介绍了时间序列理论的各个模块算法和流程概况,以及该理论在电信行业预测决策系统中的应用情况,实践证明,时间序列理论作为一种数据挖掘工具,可以较为准确地预测数据未来发展趋势,为企业的经营决策提供帮助。     

数据挖掘在地铁闸机利用率分析中的应用

本文从数据挖掘的概念出发,针对上海地铁目前的规模及今后的发展趋势,提出了时间序列预测法客流数据挖掘分析方法,对目前已经形成网络化运营的上海地铁客流分析非常有效,使得挖掘出的结果更具指导意义,为上海地铁运营、建设部门提供重要的指导意义。     

时间序列分段线性表示及相似性算法研究

随着计算机软、硬件的进步,人们利用信息技术产生和搜集数据的能力大幅度提高.作为数据挖掘的重要研究课题之一,时间序列的挖掘与预测近几年发展迅速.本文时时间序列的分段线性化表示进行了研究,采用新的分段线性化表示方法建立了序列相似性度量准则,弥补了以往度量准则对时间轴上伸缩的变化敏感的问题.新的表示方法和相似性度量准则使时间序列数据更容易应用传统的数据挖掘方法.     

时间序列数据挖掘的相似性度量综述

在时间序列数据挖掘中, 时间序列相似性是一个重要的概念. 对于诸多算法而言, 能否与一种合适的相似性度量方法结合应用, 对其挖掘性能有着关键影响. 然而, 至今仍没有统一的度量相似性的方法. 对此, 首先综述了常用的相似性度量方法, 分析了各自的优点与不足; 其次, 讨论了近年来出现的时序相似性的新解释及其度量方法; 再次, 探讨了相似性度量在时序挖掘任务中的应用以及与挖掘精度的关系; 最后给出了关于时序相似性度量进一步的研究方向.     

时间序列相似性度量的研究

时间序列的相似性度量是时间序列数据挖掘研究中的一个重要问题,是进行序列查询、分类、预测的一项基础工作。寻求一种好的度量对提高挖掘任务的效率和准确性有着至关重要的意义。目前从事这方面的研究除了少许理论论述外,几乎都采用一种固定的方法,即提出具体要求并提供实验数据。然而,大多数实验方法不是使用范围有限就是侧重点不同。为了提供一个比较全面的实验验证,用1NN分类算法进行了大量的时间序列交叉验证实验,重新评估了其中的弹性度量,并使用不同应用领域的28个时间序列数据集进行比较,结果表明,该方法具有更高的准确性。     

基于时间序列相似搜索和粗糙集的数据挖掘研究

提出了一种能够对含有时间序列数据的数据库信息进行数据挖掘的方法。首先使用时间序列相似搜索方法对其中的时间序列数据进行模式发现，然后将时间序列数据转化为离散型数值，进一步使用粗糙集理论进行数据约简和规则提取。通过使用这种方法能够对含有时序数据的信息进行充分的挖掘并发现其中的规律。     

A review on time series data mining

Time series is an important class of temporal data objects and it can be easily obtained from scientific and financial applications. A time series is a collection of observations made chronologically. The nature of time series data includes: large in data size, high dimensionality and necessary to update continuously. Moreover time series data, which is characterized by its numerical and continuous nature, is always considered as a whole instead of individual numerical field. The increasing use of time series data has initiated a great deal of research and development attempts in the field of data mining. The abundant research on time series data mining in the last decade could hamper the entry of interested researchers, due to its complexity. In this paper, a comprehensive revision on the existing time series data mining research is given. They are generally categorized into representation and indexing, similarity measure, segmentation, visualization and mining. Moreover state-of-the-art research issues are also highlighted. The primary objective of this paper is to serve as a glossary for interested researchers to have an overall picture on the current time series data mining development and identify their potential research direction to further investigation.     

时间序列相似性度量在水文数据挖掘中的应用研究

相似性度量方法是时间序列相似性研究的重要课题,同时也是水文时间序列相似性挖掘的关键问题之一.充分分析目前相似性度量的研究成果,结合水文时间序列相似性挖掘模型,通过实验探索适合水文数据特点的相似性度量方法.     

基于变量相关性的多元时间序列特征表示

针对高维特性对多元时间序列数据挖掘过程和结果的影响,以及传统主成分分析方法在多元时间序列数据特征表示上的局限性,提出一种基于变量相关性的多元时间序列数据特征表示方法。通过协方差矩阵描述每个多元时间序列的分布特征和变量相关关系,利用主成分分析方法对综合协方差矩阵进行主元分析,进而实现多元时间序列的数据降维和特征表示。实验结果表明,所提出的方法不仅能提高多元时间序列数据挖掘的质量,还可以对不等长多元时间序列进行快速有效的挖掘。     

Knowledge Discovery from Series of Interval Events

Knowledge discovery from data sets can be extensively automated by using data mining software tools. Techniques for mining series of interval events, however, have not been considered. Such time series are common in many applications. In this paper, we propose mining techniques to discover temporal containment relationships in such series. Specifically, an item A is said to contain an item B if an event of type B occurs during the time span of an event of type A, and this is a frequent relationship in the data set. Mining such relationships provides insight about temporal relationships among various items. We implement the technique and analyze trace data collected from a real database application. Experimental results indicate that the proposed mining technique can discover interesting results. We also introduce a quantization technique as a preprocessing step to generalize the method to all time series.     

基于时间序列相似性聚类的应用研究综述

在综合分析近年来时间序列数据挖掘相关文献的基础上从时间序列分割、相似性度量、时间序列聚类等方面对时间序列数据挖掘进行了综述,简要分析了基于时间序列相似性聚类的研究现状,对比较流行的算法进行了比较分析,对当前一些未解决的问题进行了简要介绍,并在此基础上对未来的发展趋势进行了展望,为研究者了解最新的基于时间序列相似性聚类研究动态、新技术及发展趋势提供了参考.     

基于数据挖掘技术的在线学习行为研究综述

随着互联网 教育技术的快速发展,慕课已成为当下最新、最潮的学习形式。由于在线学习平台积累了大量学习行为数据,传统统计分析方法已无法满足应用需求,使得数据挖掘技术被引入在线学习行为的研究,从而涌现出大量的研究成果。为了深入分析在线学习行为研究中数据挖掘技术的整体应用情况,本文首先从国内外公认的Web of Science数据库收集2008年至2017年3月相关文献进行了统计和可视化分析;然后介绍了利用数据挖掘技术进行在线学习行为研究的一般流程;接着将数据挖掘技术在在线学习行为研究中的应用总结归纳为五类,并详细介绍了相关研究成果及代表文献;最后总结全文,并讨论了未来可能的研究方向。     

基于时间窗口聚类的时序数据索引压缩

子序列匹配是时间序列挖掘的经典课题,旨在发现大型数据集中的相似数据序列。很多文献关注固定时间段的序列的查询。但对于多种不同时间段的查询的问题仍然未解决好。基于时间段的查询含义是有时间窗口限制的查询。为了满足多时间段上的查询,简单地为每个时间段的子序列构建索引既耗时又耗存储空间。从目前的文献来看,已有的索引无法满足具有不同窗口限制的大量查询。提出一种基于聚类的轻量级的可变窗口索引方法(CBI),通过压缩不同窗口的索引来减少索引时间和空间开销。实验结果表明,该索引不仅节省了时间和空间开销,同时在支持多种类型的查询时都具有较高的效率。     

基于离群指数的时序数据离群挖掘

离群数据挖掘(0utlier mining,简称离群挖掘)是数据挖掘的重要内容.该文针对时序 数据进行离群数据挖掘方法的研究,提出了离群指数的概念,在此基础上设计了时序数据离群数 据挖掘算法,并对某钢铁企业电力负荷时序数据进行离群数据挖掘,结果表明了算法的有效性.     

基于B/S模式的煤矿瓦斯数据SQL SERVER 2005数据挖掘研究

时间序列算法是数据挖掘中一个重要的研究方向,它可以广泛地应用于连续性数据的预测。给出了一个时间序列算法构建数据挖掘应用的示例,同时使用B/S模式将数据挖掘各个环节通过浏览器显示,方便了用户的使用,提高了数据挖掘的可操作性。     

基于分段线性方法的瓦斯浓度时间序列模式表示

指出直接采用原始瓦斯浓度时间序列进行短期浓度预测、相似性查询、时间序列分类和聚类等数据挖掘工作不但效率低下,而且会影响时间序列数据挖掘的准确性和可靠性;提出了一种采用分段线性方法的时间序列模式表示方法。采用分段线性表示方法对瓦斯浓度时间序列进行模式表示后可换来较小的存储和计算代价,只保留了时间序列的主要形态,去除了细节干扰,更能反映出时间序列的自身特征,有利于提高数据挖掘的效率和准确性。