本文選題：多維時間序列 + 時間序列表示��； 參考：《東華大學(xué)》2017年碩士論文

【摘要】：隨著工程機械上不同類型傳感器如溫度傳感器、壓力傳感器、濕度傳感器等的大規(guī)模部署,這些傳感器產(chǎn)生了大量的多維度時間序列數(shù)據(jù)。通過對這些傳感器采集的時間序列數(shù)據(jù)關(guān)聯(lián)分析,可用于發(fā)現(xiàn)工程機械各部件工作狀況的潛在關(guān)聯(lián)關(guān)系。這種潛在關(guān)系將為工程機械系統(tǒng)的故障預(yù)警和分析提供支持。但是,由于工程機械時間序列具有維度高和數(shù)據(jù)量大的特點,使得傳統(tǒng)的Apriori關(guān)聯(lián)算法無法直接運用。因此,本文從實際的工程機械時間序列數(shù)據(jù)出發(fā),針對工程機械時間序列具體特點,提出一種適用于工程機械領(lǐng)域多維時間序列的關(guān)聯(lián)分析方法。首先,本文設(shè)計了多維時間序列關(guān)聯(lián)分析系統(tǒng)的整體框架,該框架分為預(yù)處理模塊,離散化模塊和關(guān)聯(lián)規(guī)則提取模塊。預(yù)處理模塊負責(zé)數(shù)據(jù)清洗和規(guī)范化,實現(xiàn)每個時間序列的取值范圍的規(guī)范化,并使每個時間序列符合高斯分布。另外,離散化模塊對規(guī)范化的時間序列進行表示和離散化,也就是將數(shù)值型數(shù)據(jù)轉(zhuǎn)化成字符型數(shù)據(jù)。此外,關(guān)聯(lián)規(guī)則提取模塊利用改進的時間特性關(guān)聯(lián)方法從離散化的時間序列中提取有效的關(guān)聯(lián)規(guī)則。接著,本文詳細說明了離散化模塊所用到的技術(shù)。本文先對流行的PAA+SAX離散化方法進行評估,發(fā)現(xiàn)PAA+SAX離散化方法有不足之處。PAA表示方法會改變時間序列規(guī)范化的結(jié)果。并且PAA表示方法會忽略原始時間序列的關(guān)鍵信息。另外,SAX離散化方法只能表示時間序列的大小特性,并且SAX的前提是時間序列符合高斯分布。然而,本文的數(shù)據(jù)集大部分不是高斯分布。所以本文對SAX離散化方法進行改進,使其也可以處理非高斯分布的時間序列。針對SAX不能保留原始時間序列關(guān)鍵信息的不足,本文推薦了變化特征離散化方法,它可以處理非高斯分布的時間序列并保留原始時間序列的關(guān)鍵信息。最后,本文詳細闡述了關(guān)聯(lián)規(guī)則提取模塊所用到的時間特性關(guān)聯(lián)方法。該方法改進了傳統(tǒng)的Apriori算法。因為傳統(tǒng)的Apriori算法不考慮項的時間特性,所以需要改進候選項的生成算法,支持度的計算方法和關(guān)聯(lián)規(guī)則生成算法。使得改進的時間特性關(guān)聯(lián)方法不僅可以處理單重時間序列,還可以處理多重時間序列。不僅如此,本文使用頻率閾值和支持度閾值來獲得異常模式。針對本文數(shù)據(jù)集的周期性特點,本文推薦了可以減少關(guān)聯(lián)算法運行時間的關(guān)鍵時間片段關(guān)聯(lián)方法。
[Abstract]:With the large-scale deployment of different types of sensors such as temperature sensor, pressure sensor and humidity sensor in construction machinery, these sensors produce a large number of multi-dimensional time series data. Through the correlation analysis of the time series data collected by these sensors, it can be used to find out the potential correlation of the working conditions of the components of construction machinery. This potential relationship will provide support for early warning and analysis of engineering machinery system failures. However, because of its high dimension and large amount of data, the traditional Apriori association algorithm can not be used directly. Therefore, based on the actual construction machinery time series data, according to the specific characteristics of construction machinery time series, this paper proposes a method of correlation analysis suitable for multi-dimensional time series in the field of construction machinery. Firstly, the whole framework of multi-dimension time series association analysis system is designed, which is divided into preprocessing module, discretization module and association rule extraction module. The preprocessing module is responsible for data cleaning and normalization, and realizes the normalization of the value range of each time series, and makes each time series conform to Gao Si distribution. In addition, the discretization module represents and discretizes the normalized time series, that is, converting numeric data into character data. In addition, the association rule extraction module extracts the effective association rules from the discrete time series using the improved time characteristic association method. Then, this paper explains the technology used in the discretization module in detail. In this paper, the popular PAA SAX discretization method is evaluated, and it is found that the PAA SAX discretization method has some shortcomings. The PAA SAX representation method will change the result of time series normalization. And the PAA representation method ignores the key information of the original time series. In addition, sax discretization method can only express the size of time series, and the premise of SAX is that the time series conform to Gao Si distribution. However, most of the data sets in this paper are not Gao Si distribution. So the SAX discretization method is improved to deal with the time series of non-Gao Si distribution. In view of the deficiency that SAX can not retain the key information of original time series, this paper recommends a method of discretization of variation features, which can deal with the time series of non- distribution and retain the key information of original time series. Finally, the time characteristic association method used in the module of extracting association rules is described in detail. This method improves the traditional Apriori algorithm. Because the traditional Apriori algorithm does not consider the time characteristic of the item, it is necessary to improve the candidate term generation algorithm, the support degree calculation method and the association rule generation algorithm. The improved time characteristic correlation method can deal not only with single time series, but also with multiple time series. Moreover, the frequency threshold and the support threshold are used to obtain the abnormal pattern. In view of the periodicity of the data set in this paper, we recommend a critical time segment association method which can reduce the running time of the association algorithm.
【學(xué)位授予單位】：東華大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：O211.61

【相似文獻】

相關(guān)期刊論文 前10條

1 施久玉,杜金觀;有限個狀態(tài)時間序列的某些結(jié)果[J];應(yīng)用數(shù)學(xué)學(xué)報;1990年01期

2 馮希杰;長江三峽及其鄰區(qū)斷裂活動時間序列[J];華南地震;1991年02期

3 王霞,郭嗣琮,劉淑娟;時間序列模糊滑動預(yù)測[J];遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版);1999年03期

4 溫品人;時間序列預(yù)測法的實際應(yīng)用分析[J];江蘇廣播電視大學(xué)學(xué)報;2001年06期

5 許清海;混沌投資時間序列的嬗變[J];漳州師范學(xué)院學(xué)報(自然科學(xué)版);2003年01期

6 程毛林;時間序列系統(tǒng)建模預(yù)測的一種新方法[J];數(shù)學(xué)的實踐與認識;2004年08期

7 高潔;長記憶時間序列適應(yīng)性預(yù)測的應(yīng)用[J];江南大學(xué)學(xué)報;2004年05期

8 高潔;孫立新;;長記憶時間序列的適應(yīng)性預(yù)測誤差的譜密度[J];統(tǒng)計與決策;2006年13期

9 楊鐘瑾;;淺談時間序列的分析預(yù)測[J];中國科技信息;2006年14期

10 李健;孫廣中;許胤龍;;基于時間序列的預(yù)測模型應(yīng)用與異常檢測[J];計算機輔助工程;2006年02期

相關(guān)會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預(yù)報方法及其應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學(xué)術(shù)年會論文集[C];1999年

2 馬培蓓;紀(jì)軍;;基于時間序列的航空備件消耗預(yù)測[A];中國系統(tǒng)工程學(xué)會決策科學(xué)專業(yè)委員會第六屆學(xué)術(shù)年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責(zé)任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學(xué)習(xí)逼近[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法[A];第十五屆中國管理科學(xué)學(xué)術(shù)年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術(shù)論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀(jì)數(shù)量經(jīng)濟學(xué)（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學(xué)決策與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第六次年會論文集[C];1990年

相關(guān)重要報紙文章 前6條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學(xué)：協(xié)整與有條件的異方差自回歸[N];中國社會科學(xué)院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀(jì)經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預(yù)計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

相關(guān)博士學(xué)位論文 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學(xué)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 張德成;滑坡預(yù)測預(yù)報研究[D];昆明理工大學(xué);2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學(xué);2015年

4 翁同峰;時間序列與復(fù)雜網(wǎng)絡(luò)之間等價性問題及表征應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

5 楊婷婷;用Argo浮標(biāo)結(jié)合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運[D];中國科學(xué)院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關(guān)性及信息熵分析[D];北京交通大學(xué);2016年

7 原繼東;時間序列分類算法研究[D];北京交通大學(xué);2016年

8 盧偉;基于粒計算的時間序列分析與建模方法研究[D];大連理工大學(xué);2015年

9 王曉曄;時間序列數(shù)據(jù)挖掘中相似性和趨勢預(yù)測的研究[D];天津大學(xué);2003年

10 李桂玲;時間序列的分割及不一致發(fā)現(xiàn)研究[D];華中科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學(xué);2015年

2 蘭鑫;時間序列的復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)換策略研究[D];西南大學(xué);2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學(xué);2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預(yù)測研究[D];南京信息工程大學(xué);2015年

5 林健;基于改進小世界回聲狀態(tài)網(wǎng)的時間序列預(yù)測[D];渤海大學(xué);2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預(yù)測方法[D];南京信息工程大學(xué);2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學(xué);2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標(biāo)研究[D];中國地質(zhì)大學(xué)(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學(xué);2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學(xué);2015年

，

本文編號：1808833