基于变化趋势相异性的金融时间序列函数聚类分析

针对函数数据聚类方法中基于序列数值模式测度相似性的聚类方法不考虑轨迹形状,而基于序列形状模式又忽略了序列数值所代表的相似信息和趋势信息,笔者提出一种对曲线之间对应里程碑出现的时间差异和所隐含的变化幅度差异的相异性测度法,据此将具有类似变化趋势的曲线聚为一类。运用该法对上证50指数的股票进行聚类分析,结果表明该聚类法能很好地测度曲线之间变化趋势的相异性,在高频金融时间序列的聚类分析中具有现实意义。     

基于决策树和支持向量机的金融时间序列预测方法

由于传统的金融时间序列预测方法无法有效识别不同领域时间序列的不同特征,从而导致了当前一些时间序列预测方法的不足,无法有效地指导实际研究。文章提出了一种改进的金融时间序列数据预测方法,该方法首先对采集到的数据进行预处理,利用决策树对时间序列进行特征抽取,并建立基于支持向量机的时间序列预测模型,最后对时间序列进行预测。实验结果表明,文章的方法能有效的降低预测模型的复杂度并提高预测精度。     

数据挖掘在网络入侵检测系统中的应用研究

本文提出了一个基于数据挖掘技术的入侵检测系统，其中主要采用了时间序列模式挖掘方法——TFSE算法挖掘入侵模式。该系统实现了规则库的自动更新，极大地提高了系统的整体性能。     

混沌经济时间序列的建模与系统识别

利用时间序列分析方法对混沌经济时间序列进行研究。通过介绍有关时间序列分析的理论及混沌时间序列的建模方法,阐述了混沌经济时间序列中非线性(混沌)信息的提取方法,并对系统进行混沌识别,讨论了混沌系统混沌临界点的区间确定问题。     

时序数据库中序列模式的采掘方法

文章讨论了几种序列模式的采掘方法 ,并对这些方法进行了比较、分析 ,最后归纳出其优缺点及其不同使用范围 ,以对选用序列模式者提供参考。     

智慧家庭环境下的老人日常行为识别

为实现家庭环境下日常行为序列数据自动划分和日常行为识别,文章提出一种基于情景的序列自动划分方法,并基于自动划分的序列片段构建特征集合,使用支持向量机方法对日常行为进行建模。在序列分割方法中引入元素模式概念,有效减少行为理解上的歧义,寻找使前后缀序列相似度最低的传感器事件,得到接近实际情况的边界点集合。构建基于传感器互信息的特征集合。实验结果表明文章提出的方法能够有效地进行序列自动划分,基于元素模式构建的特征集合可以较好地表现行为特征。     

时间序列模型描述个体经济发展趋势的局限性及改进方法

趋势是经济时间序列最主要的特征之一。利用时间序列模型不仅能够分析经济序列的趋势，同时还可以进行预测。但利用时间序列模型对总体的经济趋势的估计不能用来描述个体的经济趋势。因此，研究描述个体经济趋势的改进方法是必要的。     

(四)市场预测的方法(2)

时间序列分析法与判断预测法不同,它是以历史的时间序列数据为基础,运用一定的数学方法使其延伸,来测预市场未来变化的趋势,确定市场预测值。因此,时间序列分析法属于定量分析的预测方法。     

基于残差自回归方法的短期区域用电量预测

基于我国区域用电量数据展开了短期用电量预测研究,采用了基于残差自回归方法的时间序列预测模型,有效提高了短期区域用电量预测准确性。相比于传统的时间序列模型(ARIMA模型和Holt-Winters模型),基于残差自回归方法的时间序列预测模型的MAPE值和RMSE值均最小,并在两个不同的数据集上表现平稳。     

基于可见图的多重分形序列分析

可见图方法把多重分形时间序列映射为相应的网络,由于产生的网络继承了序列的一些重要性质,从而实现了通过可见图提取序列特征。