论文区间映射规则下的时间序列相似形态搜索算法是适合时间序列论文写作的大学硕士及相关本科毕业论文，相关时间序列开题报告范文和学术职称论文参考文献下载。
摘 要：时间序列数据是一种随机过程,历史的波动趋势在不同的时期看来往往似曾相似.本文使用用可解释性的符号来刻画时间序列变化形态,改进了基于符号聚合相似的搜索模型,在原始搜索模型中引入改进的参数优化准则HIC,并提供了将字符转义为数值的变换方法,用于度量两个形态间的相似程度.结果表明,改进的模型实现了字符、数值的相互转化,且满足距离下界原理；参数的优化准则稳健的提高了模型的搜索精,有效的降低了算法复杂度.
Abstract： Time series data is a kind of stochastic process. The trend of historical volatility seems to be similar in different periods. In this paper, we use interpretive symbols to depict the time series variation, improve the similar search model based on symbolic aggregation, introduce the improved parameter optimization criterion HIC into the original search model, and provide the tranormation method of translating characters into numerical values, to measure the similarity between the two forms. The results show that the improved model realizes the mutual tranormation of characters and values and satiies the lower bound principle of distance. The optimization criterion of parameters steadily improves the searching precision of the model and reduces the complexity of the algorithm effectively.
關键词：时间序列；SAX算法；参数优化准则；形态相似度；稳健性
Key words： time series；SAX algorithm； parameter optimization criteria；morphological similarity；robustness
中图分类号：TP301.6 文献标识码：A 文章编号：1006-4311（2018）03-0205-04
0 引言及综述
时间序列数据本身是一种随机过程,从数据变动所反映的形态来看,历史的波动状态在不同的时期看来往往似曾相识,而在细节上又有所差别.若能从这些变化着的数据中识别特定的变化趋势,则便可利用这些蕴含共同趋势形态的序列片段,对数据进行分类比较以及预测.
对时间序列形态搜索的研究可追述至上世纪90年代.1993年Rakesh Agrawal等人[1]首次提出了一种使用离散傅里叶变换（DFT）处理时间序列的相似性索引方法,通过离散傅里叶变换（DFT）将时间序列映射到到较低维空间.随后,C.Faloutsos等人[2]于1994年提出在时间序列数据上使用滑动窗口并提取其特征,将每个数据序列片段映射到特征空间中,通过对这些特征的比对,迅速找到与给定（查询）模式相匹配的子序列.这两篇文章开启了时间序列相似性搜索的研究热潮.Eamonn Keogh[3]提出了一种基于均匀缩放条件下特征符号化表示的新方法,以实现快速相似序列搜索.Lin等人[5]提出的时间序列符号化聚合近似（SAX）,是一种基于分段聚合近似的符号表示方法.Wei和Xi等人[6]提出利用符号聚合近似（SAX）的方法将一些关于物体形状数据转化为时间序列,通过符号化的表示,进行异常序列模式的发现与识别.
1 相似形态搜索模型构建
分段符号聚合表示的方法是一种连续变量离散化的形态匹配算法,该算法将原始数据标准化后按正态分布的分位区间进行压缩编码,压缩后的代码,缩短了移动窗口的长度,易于识别,同时降低了噪声的影响,且保持了变化趋势.然而该模型的缺点也显而易见,主要包括模型对参数的过度依赖,相似形态距离定义的不明确等等.本文基于SAX模型的针对上述问题提出了改进方法,主要内容涉及两个方面：一是设定时间序列片段编码的评估准则,用以优化参数；二是改进不同编码形态之间的相似性度量方式.
1.1 时间序列片段分段聚合符号化模型
该部分是本研究的基础模型,以SAX算法为基础,对时间序列进行编码.算法的主要步骤见下文：
①第一步：窗口内时间序列片段线性表示.
设置等长的时间序列片段窗口,用等宽度窗口分割时间序列,且步长为1.每个窗口内序列压缩为更小的区间,并用区间平均值来表示,它的输入参数为窗口长度N,子区间长度为n；
将标准正态分布取m个等分为点,则每两个分位点的区间对应的概率相等,按分位点的大小,小到大对区间进行命名,区间号即为编码符号.
④第四步：子区间的均值进行分为区间匹配.
时序窗口子区间的标准化均值的每个点在N（0,1）分布中对应的区间,并将区间号设为每个子区间的编码,即对时序窗口完成了编码,将N长的连续变量降为长为n的离散字符.整个过程可表示为：winY→PAA→symbol（符号化）
第三步与第四步过程如图1所示,序列片段按子区间平均化后,找到对应在正态分布中的分为区间,按分为区间的位置,赋给该数值相应的编码.图中相应数据的编码结果为“1-3-2-5-5”,整体上反映了时间序列片段波动上升的趋势.
总结:本论文为免费优秀的关于时间序列论文范文资料，可用于相关论文写作参考。
参考文献：
1、 基于序列重要性重采样算法MIMO时变信道半盲估计 摘要： 粒子滤波可以用来处理非线性非高斯问题，而序列重要性重采样算法能较好地解决粒子滤波中的粒子退化问题，由此将序列重要性重采样算法运用于MIM。
2、 基于ARIMA模型青岛市大蒜价格时间序列预测分析 摘要：以青岛市2012年1月至2016年11月共237周的大蒜价格为样本数据，运用SPSS 17 0软件进行统计分析，建立ARIMA（1，2，1。
3、 基于时间序列的风速和风功率预测 摘要：短期的风速和风功率预测对风场的运行及并网发电是非常重要的。采用时间序列方法，通过Matlab 编程，建立了ARIMA和SARIMA预测模型。
4、 基于EEMD技术在电力信息安全中的多步时间序列预测方法 摘 要： 针对用户访问轨迹的数据特征，提出一种基于EEMD技术的多步时间序列预测模型。该模型利用了集合经验模态分解EEMD结合极限学习机ELM模。
5、 安徽省城市化水平时间序列分析 【摘要】城镇化是农业人口转化为城市人口的过程，即以农村人口不断向城市迁移和聚集为特征的一种历史过程 文章分析了我省城市化水平的现状，并利用了从2。
6、 金融时间序列指标判别框架特质波动率为例 摘 要：基于拐点集合判别的TBUD方法主要思路是分析拐点集合间的关系，并在高维空间进行划分，从而搭建判别模型，并将分析框架应用在特质波动率等若干。