论文部分内容阅读
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列分析研究被广泛的应用在各个领域:金融行业、产品销售行业、工业工程、水利工程、电力工程以及航空工业等各个领域，并且随着社会的发展，人们对己知与未知的认识要求的提高，对时间序列分析与应用俨然成为当今生活不可或缺的重要研究部分。但是如何在海量的数据库中通过数据序列的相似性匹配研究来获取信息和知识，是一个具有重要理论意义研究课题。 本文重点讨论了经验模态分解算法(EMD)对非平稳、随机的时间序列特征提取，包含时间序列的基本理论、时间序列在预测方面的应用、经典序列模型定阶新方法、对等长与不等长时间序列的相似匹配搜索。主要研究内容如下: (1)本文从分析时间序列的基本特性，由浅入深的进行研究。首先默认时间序列均为等长的、平稳或近似平稳的序列，研究分析时间序列经典模型ARMA(r，m)在平稳的时间序列预测方面的应用。如何对时间序列ARMA模型进行定阶，即参数(r，m)的选取，是一个非常复杂的问题。本文给出一种粒子群优化算法(PSO)搜索ARMA模型参数，并对时间序列进行预测，通过实验检验定阶方法的正确性，并对传统时间序列模型ARMA(r, m)在时间序列中的应用进行分析。 (2)其次，对于等长的、随机非平稳时间序列我们做出如下研究，采用经验模态提取时间序列特征，通过改进EMD平均包络线的生成，提取时间序列特征——本征模函数并对其加权，利用欧氏距离判断其相似距离，最后综合判断时间序列信号的相似性。实验结果表明基于加权本征模函数对等长的时间序列相似匹配方法优于传统匹配方法，在搜索精度上有很大的提高。 (3)最后，对于不等长的、随机非平稳时间序列信号，改变趋势序列信号特征的求取方式，提取时间序列的关键变化因子，求出趋势序列信号特征，再将趋势信号转换为分段序列，使其变成等长的时间序列，然后进行相似匹配。本文给出一种把分段序列转化为由斜率K构成的K线对齐序列的新方法对不等长时间序列进行搜索匹配。实验证明了基于K线对齐序列对不等长序列相似匹配的有效性和适用性，能够在实际生产生活中应用。