时间序列挖掘与预测研究

蒲倩

摘 要：时间序列作为一种常用的数据类型，已经在各类数据的分析中得到了广泛使用。在面对这些海量数据时，需要采取新技术筛选出其中有用的数据，数据挖掘技术正是基于这一背景产生的。在数据挖掘技术中，时间序列挖掘是关键技术。本文主要分析时间序列挖掘与预测方式。

关键词：时间序列挖掘；预测；分析

一、时间序列挖掘与预测分析

时间序列模式挖掘作为数据挖掘中最为重要的问题，在现实生活与生产中已经得到了广泛的应用。时间序列即按照时间顺序来获取观测值的方式。在日常生活中，很多数据都是以时间序列出现的，这些数据对于相邻观测值具有依赖性特征，时间序列挖掘与预测模式与依赖性特征有着密切的关系，其研究内容包括相似性搜索、趋势分析、周期模式挖掘、序列模式挖掘等。

1.相似性搜索

相似性搜索即找出数据库中与相关条件相似的数据，在这些序列中，包括子序列匹配与整体序列匹配两种方式。这些序列的应用范围十分广泛，其中，数据变换是核心。数据变换就是从时间域到频率域的分析，一般使用欧式距离来计算，在计算时，需要先确定好变换矩阵，再确定相关计算数据。

在经过DWT以及DFT变化之后，可以使用傅里叶细数来制造出多维索引，再将数据提供给系统，就能够检索出查询序列之间的距离，通过实际距离的查询即可完成后处理工作。在匹配子序列时，将序列分割成为一定长度的片段，每一个片段对应不同的线索，序列可以使用最小边界矩形表示。要想搜索到更长的匹配序列，可以使用多片组装算法进行。

2.趋势分析

趋势分析可以应用在长期或者趋势变化、循环变动或循环变化、季节性变动或者季节性变化、非规则或者随机变化集中类型的数据预测中。这些数据有着季节性、非规则性、循环性以及趋势性特征，能够使用不同的变量进行表示，这样即可帮助人们制订出长期预测或者短期预测。

3.周期模式挖掘

周期模式挖掘即在数据库中寻找重复出现模式的一种预测模式，周期模式能够应用在交通数据、行星轨道数据、能源消耗数据、季节性数据等数据模式的预测中。按照问题类型的不同，周期模式能够分为挖掘全周期模式、挖掘部分周期模式以及挖掘循环模式几种。

二、时间序列预测统计学基础

1.时间序列统计学特征分析

时间序列的统计学特征包括均值函数、自协方差函数与自相关函数三种。

均值函数：对于t而言，时间序列均值函数如下：μt=U[x1]Δ■xf1（x）dx；自协方差函数：y=Cov（xt，xy）ΔE[x1-Ex2（xi-Exi+1）]

2.时间序列平稳性分析

在时间序列分析时，常常存在平稳时间序列，这种平稳定会在时间的推移下出现相应的变化。若时间序列中各项随机变量是一种独立性关系，且存在相同分布，就是独立同分布序列，其常见的序列类型有白噪声序列，白噪声序列和独立同分布序列之间是一种独立的关系。

三、时间序列分段线性表示

在时间序列数据挖掘研究内容中，相似性搜索是其中的重要内容，在进行计算时，需要遵循Keogh度量准则，这能够很好地反映出各项内容，但是在反应时间轴比例时需要额外考虑到周期问题。在进行时间序列相似性搜索时，可以对其进行聚类分析。目前，这种方式已经在各个领域中得到了广泛的使用，如在图像处理、模式识别、数据分析工作中，虽然聚类分析能够应用在时间序列分析中，但是与图像处理、模式识别、数据分析工作相比，时间序列数据量较大，使用该种分析方法会提高计算开销，为了减少开销，就需要对实践序列开展分段线性化处理，该种模式更加适宜应用于普通数据挖掘算法计算中。

目前，时间序列数据多应用在气象数据、金融数据的计算中，这些数据会受到各种因素的影响，存在较大的随机性与偶然性，因此，有学者针对这些计算提出时间序列长记忆性问题。其他研究者也提出了遗传算法、神经网络算法、卡尔曼滤波算法等一系列的计算方法，在使用这些算法来计算复杂系统时，需要建立好相应的模型，使用表征模型特征进行表达。但是，若系统较为复杂，也存在短期波动，使用一个模型很难计算出具体的精度与效率，而丢弃数据也会影响历史数据，降低计算精度，而应用大量例数数据也会影响计算时间与预测效率。为了提升数据计算的精度，就可以使用时序预测方法或者多层次数据分解法，使用平滑因子来拆解序列，这就能够为后续建模的开展奠定好坚实的基础。对于拆解完成的序列，可以使用相应的采样频率，这不仅会提升计算精度，也能够在一定程度上降低计算的复杂性。

总之，时间序列作为一种常用的数据类型，已经在各类数据的分析中得到了广泛的使用。在使用时间序列挖掘与预测方式时，需要针对具体的问题建立好相应的模型，这样才能够达到理想的计算成效。

参考文献：

[1]张德干，郝先臣，徐凌宇，杜庆东，赵海.基于小波理论的数据挖掘方法研究[J].小型微型计算机系统，2001（8）.

[2]李锁花.时间序列挖掘技术及其在短期电力负荷预测中的应用研究[D].南京：東南大学，2006.