DMFighter(数据挖掘斗士）--时间序列数据分析和挖掘

一般来说，时间序列(Time series)泛指那些随时间或空间有序变化的数据集合，这些数据记录集合往往采用等时间或空间间隔进行度量。如何充分有效地管理和利用这些海量数据序列，更有效地发现和理解这些数据序列背后隐含的规律和知识，已经受到越来越多数据挖掘研究者广泛关注。时间序列数据挖掘(Time Series Data Mining，简称TSDM)由此应运而生，并成为数据挖掘领域中一个重要研究方向。关注时间序列并不是新鲜的事，早在上个世纪40年代就从数理统计的角度给出了基本的理论，到了70年代，就开始广泛应用了，成为统计学中很重要的一个分支，主要集中于时间序列数据的建模、滤波和预测等方面。传统的数理统计中的时间序列分析方法往往是先提出假设再进行验证，其目的是实现对系统整体行为的把握和预测。但在实际生活和工作中逐渐提出了一些新需求：在实际的时间序列分析过程中需要对时间序列局部特征进行分析；发现不同数据源在相同时间区间内或者相同数据源在不同时间区间中的相似性和差异性，从中提取关联规则，发现知识；在线监控不断变化的时间序列是否在某一时刻发生异常;为用户提供个性化的，更容易理解的关于时间序列形态的形象化描述信息。传统的时间序列分析技术对数据库应用领域(如数据仓库以及知识发现等)提出的新需求开始显得力不从心。因此从二十世纪九十年代早期开始，时间序列数据挖掘作为一个新的研究方向出现，并成为数据挖掘领域的一个重要分支。时间序列挖掘是针对时间序列的模式发现过程，旨在研究隐含在时间序列中更深层次的知识，包括时间序列数据的拟合和变换、时间序列的相似性查询、时序模式挖掘、聚类、分类、可视化、时间序列的异常检测等研究内容。时间序列数据挖掘的许多技术来源于传统时间序列分析的理论与技术。两者的研究对象与目的也基本相似：即发现时间序列数据中蕴含的规律。所不同的是时间序列数据挖掘更加关注海量时间序列的处理技术且更加强调时间序列的形态特征，通常用形态特征来刻画时间序列中蕴含的规律，而传统时间序列分析技术通常用解析函数或者统计量刻画时间序列中蕴含的规律。本人正在研习时间序列数据的分析和挖掘，基于一个企业的海量数据，建立时序模型，发现深层规律。目前正在处于预处理数据和探索阶段。基本思路是想结合传统的时间序列分析方法和新的时间序列数据挖掘方法，从整体和局部两个角度进行分析挖掘，而不是摒弃传统一味求新，检验标准在于是否能够支持企业的决策经营，提高企业效益。不过，关于这方面我还是一个新手，需要不断的学习和探索，如有朋友也刚好同路，那就举杯痛饮吧。呵呵参考文献：贾澎涛等《时间序列数据挖掘综述》2007

阅读全文(8073) | 回复(6) | 编辑 | 精华

回复:时间序列数据分析和挖掘

原创空间, 科学研究, 职业生涯

DM(游客)发表评论于2008/3/21 10:42:20

我是初学习时间序列挖掘的，十分希望能和你举杯痛饮~呵呵我的QQ：15419616 PS：刚给你发了封邮件，不过感觉还是留言比较快哈~

个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除

回复:时间序列数据分析和挖掘

原创空间, 科学研究, 职业生涯

calvin(游客)发表评论于2008/5/5 22:29:39

我也在学习TDM，主要在多时间序列挖掘中时态模式。可以多多交流

个人主页 | 引用回复 | 主人回复 | 返回 | 编辑 | 删除

回复:时间序列数据分析和挖掘