| 【中文题名】 | 时间序列数据挖掘及其可视化研究 |
| 【英文题名】 | Research of Time Series Data Mining and Visualization |
| 【学科专业】 | 管理科学与工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-3 |
| 【中关键词】 | 数据挖掘,时间序列,可视化,支持向量回归,参数设置, |
| 【英关键词】 | Data Mining,Time Series,Visualization,Support Vector Regression,Parameters Setting, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机软件>程序设计、软件工程>程序设计 |
| 【论文摘要】 |
时间序列数据挖掘的方法广泛应用于气象、金融、医学、电力、水文、工业控制等诸多领域，具有重要的研究价值。传统时间序列挖掘技术采用的是统计学或者人工神经网络的方法。近年来，回归分析逐渐成为最常用的数理统计方法，该方法可以用来处理变量之间的关系，并用于解决预测、控制、优化等问题。回归算法可以被分为线性回归算法和非线性回归算法。非线性回归算法必须先验地提出一个由符号表达式组成的回归模型，其回归的过程就是确定表达式系数的过程。
本文主要工作和结论有：
1．介绍数据挖掘技术产生的背景和数据挖掘常用的方法。随后介绍可视化的技术和方法。预测的最终结果需要呈现给用户，因此用一种直观的方法将结果显示出来显得尤为重要。本章不仅介绍可视化的方法，还介绍发展可视化的重要意义及其应用。
2．介绍时间序列的概念和时间序列分析，接着讲述时间序列数据挖掘相关的研究现状。
3．详细阐述支持向量回归方法、已有常用支持向量回归算法和用于函数拟合的支持向量回归机。
4．介绍基于分类支持向量回归算法，并在此算法基础上设计出一个时间序列预测模型，提出一个简易但有效的模型初始参数计算方法：其次给出了模型的预... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-12 |
|
第一章 绪论 |
12-19 |
|
1.1 数据挖掘概述 |
12-14 |
|
1.1.1 数据挖掘技术的产生 |
12 |
|
1.1.2 数据挖掘的工作过程 |
12-13 |
|
1.1.3 数据挖掘的分类 |
13-14 |
|
1.2 可视化产生的背景 |
14-15 |
|
1.3 可视化技术的特点、方法及关键技术 |
15-16 |
|
1.4 可视化技术的工作过程 |
16-18 |
|
1.4.1 数据获取 |
16 |
|
1.4.2 数据理解与分类 |
16-17 |
|
1.4.3 特征描述 |
17 |
|
1.4.4 数据重建 |
17 |
|
1.4.5 视觉化造型 |
17-18 |
|
1.4.6 图像合成及动画处理 |
18 |
|
1.5 可视化技术的应用 |
18-19 |
|
第二章 时间序列数据挖掘及可视化 |
19-27 |
|
2.1 时间序列的定义 |
19-20 |
|
2.2 时间序列分析在理论上的进展 |
20 |
|
2.3 时间序列数据挖掘的相关研究 |
20-25 |
|
2.3.1 相似搜索 |
20-24 |
|
2.3.2 模式挖掘 |
24-25 |
|
2.4 时间序列数据的可视化 |
25-27 |
|
第三章 支持向量回归技术 |
27-43 |
|
3.1 最优化问题及其基本理论 |
27-30 |
|
3.1.1 最优化问题 |
27-30 |
|
3.1.2 最优性条件 |
30 |
|
3.2 结构风险最小化原理 |
30-32 |
|
3.2.1 函数集的VC维 |
30-31 |
|
3.2.2 结构风险最小化原理 |
31-32 |
|
3.3 求解回归问题的直观途径 |
32-35 |
|
3.3.1 回归问题 |
32-33 |
|
3.3.2 线性回归问题与硬ε-带超平面 |
33-34 |
|
3.3.3 支持向量回归机 |
34-35 |
|
3.4 回归估计与支持向量回归机 |
35-40 |
|
3.4.1 回归问题 |
35-37 |
|
3.4.2 ε-支持向量回归机 |
37-40 |
|
3.5 用于函数拟合的支持向量机 |
40-41 |
|
3.6 核函数简介 |
41-43 |
|
第四章 基于分类SVM的时间序列预测研究 |
43-56 |
|
4.1 时间序列预测 |
43-45 |
|
4.2 支持向量机用于预测问题 |
45 |
|
4.3 基于分类SVM的回归算法(CSVR) |
45-49 |
|
4.3.1 概述 |
45-46 |
|
4.3.2 CSVR网络训练算法 |
46-47 |
|
4.3.3 CSVR回归算法 |
47-48 |
|
4.3.4 算法中ε值和σ初始值的计算方法 |
48-49 |
|
4.4 基于CSVR的时间序列预测实验 |
49-50 |
|
4.4.1 实验描述 |
49-50 |
|
4.4.2 实验结果 |
50 |
|
4.4.3 结果讨论 |
50 |
|
4.5 基于CSVR的时间序列可视化 |
50-55 |
|
4.6 结论 |
55-56 |
|
第五章 总结与展望 |
56-59 |
|
5.1 总结 |
56 |
|
5.2 有待进一步研究的问题 |
56-59 |
|
参考文献 |
59-62 |
|
攻读硕士学位期间发表论文 |
62 |
|
| 【DOI】 | LunWen.ID:2.2008.360118 |
