![](https://csdnimg.cn/release/download_crawler_static/10647797/bg4.jpg)
4 / 20
(2)相似性度量是为了测定时间序列是否与“模式序列”具有相似的行为曲线,它
必须具有完备性,防漏报性。然而时间序列往往具有多种变形,因此对于相似性度量是
时间序列数据挖掘的一项最基本也是最棘手的工作,也是当前时间序列数据挖掘的研究
热点
[3][5]
。
(3)时间序列分类是在传统的静态分类基础上,用时间序列替代原本的静态数据,
目的是测定时间序列所属于的离散标记。时间序列分类主要包括两类算法
[6][7]
:1)领域
无关分类算法。它通过设计准确的相似性度量方法,度量时间序列对象之间的相似性,
当序列之间越相似,属于同一种类别的可能性越大。2)领域相关分类算法。它通过特
征提取、模型匹配等其他技术将时间序列数据转化为特征表示或模型参数,再对时间序
列数据进行分类。已有文献说明当训练数据较少时适用于使用领域相关分类算法,而领
域无关分类算法受噪声的影响较小
[6][8]
。
(4)时间序列的聚类研究主要分为两种情况,一种是修改现有的聚类算法使之适用
于时间序列数据,聚类过程直接在初始序列上进行,因而称为基于初始数据的聚类。另
一种是将时间序列数据转化为静态特征或模型参数,运用传统的聚类算法对时间序列数
据进行聚类
[9]
,因而被称为基于模型或特征的聚类方法。
(5)时间序列的模式发现是指通过对不同时间段的序列进行关联关系分析,发现不
同阶段频繁出现的周期变化模式或极少出现的异常模式。按照发现的模式分类,一般分
为频繁模式
[10]
、异常模式
[11]
和周期模式
[12]
发现等,它们分别适用于不同的场景或目的。
比如在医疗心电图诊断中,通过异常模式发现,可以发现病人的异常心电图序列,从而
进行诊断和治疗。
(6)时间序列的预测是通过分析现有的时间序列数据,估测之后的一个或几个时
刻的数据,即通过结合事物的发展规律和发展趋势,对事物的未来进行预测,它在各领
域都有着广泛的应用
[3][6][13]
。
三、时间序列数据预测的研究综述
时间序列数据预测主要包括确定型时间序列预测和随机型时间序列预测,以下主要
针对这两种预测方法的研究进展。
3.1 确定型时间序列预测
确定型时间序列预测方法已经相对成熟,其基本步骤为:1)确定时间序列的成分;
2)选择预测方法;3)预测方法的评估。针对不同的成分,确定型时间序列预测会选择
不同的方法。
1、平滑法预测
当序列中既不存在趋势成分,也不存在季节成分时,使用平滑法进行预测。平滑法
主要包括简单平均法、移动平均法和指数平滑法。
(1) 简单平均法:用已有的观察值的平均值作为下一时刻的预测值。