时间序列挖掘中一种新的相似性度量下载

weixin_39821746 2019-05-08 07:00:16

针对时间序列的全序列聚类展开，提出一种新的相似性度量，全局特征，即从时间序列的统计分布特征、非线性和Fourier频谱转换等3个方面提取11个全局特征构建特征向量。利用特征向量来描述原时间序列，不但保留了犬部分原有的信息，还能加快聚类计算的速度。经过大量的实验验证表明，基于全局特征提取的相似性度量能得到合理的聚粪结果，特别是对经济领域的时间序列效果更为明显。列举了2个数据进行实验，并从主观和客观两个角度对聚类结果进行评估。
相关下载链接：//download.csdn.net/download/wxfei2006/2126036?utm_source=bbsseo

...全文

14 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

针对时间序列的全序列聚类展开，提出一种新的相似性度量，全局特征，即从时间序列的统计分布特征、非线性和Fourier频谱转换等3个方面提取11个全局特征构建特征向量。利用特征向量来描述原时间序列，不但保留了犬部分原有的信息，还能加快聚类计算的速度。经过大量的实验验证表明，基于全局特征提取的相似性度量能得到合理的聚粪结果，特别是对经济领域的时间序列效果更为明显。列举了2个数据进行实验，并从主观和客观两个角度对聚类结果进行评估。

一、引言二、时间序列聚类的作用三、时间序列数据的聚类问题正式定义四、时序数据的聚类的挑战五、时间序列数据聚类有什么用六、时间序列聚类技术的分类七、时间序列聚类的四步骤： 1、时间序列的representation 2、时序聚类中相似度的定义关于距离度量的一些思考和讨论八、时间聚类的算法选择 1、时间序列中的聚类算法 2、时间序列聚类评价方法 3、总结

指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻，经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。近年来，以卷积神经网络、循环神经网络和 Transformer模型为代表的深度学习算法在时间序列预测任务中取得了丰硕的成果。

来源：算法进阶本文约4300字，建议阅读8分钟本文着重介绍对比了多个基于 Transformer 模型的时间序列预测方法。摘要：时间序列一般是指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。时间序列预测的任务就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻，导致...

指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。分类聚类、异常检测、事件预测、时间序列预测等。时间序列预测通过挖掘时间序列潜在规律，进行类推或者延展用于解决在现实生活中面临的诸多问题，包括噪声消除、股票行情分析、电力负荷预测、交通路况预测、流感疫情预警等。

下载资源悬赏专区

12,887

社区成员

12,439,498

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章