AR_TSM驱动的时间序列motif关联规则挖掘提升预测性能

本文主要探讨了一种基于AR_TSM（自回归时间序列模型）的时间序列motif关联规则挖掘方法。在实际应用中，时间序列motif是指时间序列数据中那些先前未被识别但重复出现的模式，对于预测未来趋势具有关键作用。然而，传统的符号化时间序列分析往往会因为motif提取过程中的信息丢失而影响结果的准确性。 为解决这个问题，研究人员提出了一个名为PM_Motif的motif提取算法，该算法运用了剪枝技术，能够在保持原始信息完整性的前提下，实现高效精确的motif提取。这种方法有效地减少了信息的损失，使得motif的特征更加准确地反映在数据中。 接着，针对motif分割过程中可能出现的内部关联规则不一致问题，文章提出了一种全新的关联规则挖掘策略。它通过关注motif之间的关联关系，构建AR_TSM方法，避免了motif分割带来的不确定性，从而确保了挖掘出的关联规则具有高度一致性。 为了进一步验证这一方法的有效性，研究者引入了关联规则评价参数RM（关联规则评价指标），它在多个数据集上进行了实验，结果表明，基于AR_TSM的时间序列motif关联规则挖掘方法在预测性能方面表现出色，能够提供可靠的未来趋势预测。 作者团队由来自上海海洋大学和上海电力大学的研究人员组成，涉及的专业领域包括大数据存储、业务流程管理、时间序列数据挖掘、图计算、机器视觉等，展示了跨学科合作的优势。这篇论文不仅深化了我们对时间序列motif关联规则挖掘的理解，也为实际数据分析提供了新的工具和技术。这项研究对于提升时间序列数据的分析效率和预测精度具有重要的理论和实践价值。