时序数据粒化表示及其应用

1 绪论
1.1 时间序列表示方法
1.2 时间序列相似性度量
2 基于动态规划的多元时间序列分割
2.1 引言
2.2 多元时间序列的动态规划分割
2.2.1 分割代价
2.2.2 分割误差的递归计算
2.2.3 动态规划分割方法
2.2.4 自回归阶数和分割阶数的确定
2.3 实验结果及分析
2.3.1 仿真实验
2.3.2 多元水文气象学时间序列实验
2.4 本章小结
3 基于模糊聚类的时间序列分割与聚类
3.1 引言
3.2 时间序列的分割与模糊聚类
3.2.1 动态时间规整与均值计算
3.2.2 目标函数
3.2.3 划分矩阵的确定
3.3 实验结果及分析
3.3.1 一元时间序列仿真实验
3.3.2 多元时间序列仿真实验
3.3.3 一元水文气象学时间序列实验
3.3.4 多元水文气象学时间序列实验
3.4 本章小结
4 基于信息粒化的时间序列长期预测
4.1 引言
4.2 时间序列的长期预测
4.2.1 时间序列的粒化分割
4.2.2 时间序列片段等长化
4.2.3 基于HMM的长期预测
4.3 实验结果及分析
4.3.1 混沌时间序列实验
4.3.2 电费价格时间序列实验
4.3.3 温度时间序列实验
4.4 本章小结
5 基于信息粒化的时间序列模糊聚类
5.1 引言
5.2 时间序列的粒化降维
5.2.1 时间序列粒化
5.2.2 时间序列粒化表示
5.3 粒化时间序列的模糊聚类
5.3.1 目标函数
5.3.2 原型的计算
5.4 实验结果及分析
5.4.1 UCR数据集实验
5.4.2 股票数据实验
5.5 本章小结
6 基于趋势粒化的时间序列系统聚类
6.1 引言
6.2 趋势粒化时间序列的系统聚类
6.2.1 时间序列的趋势粒化
6.2.2 粒化序列的相似性度量
6.2.3 粒化序列的系统聚类
6.3 实验结果及分析
6.3.1 CBF数据集实验
6.3.2 Synthetic Control数据集实验
6.3.3 A股上市港口公司数据实验
6.4 本章小结
7 基于趋势粒化的时间序列加权模糊聚类
7.1 引言
7.2 趋势粒化时间序列的加权模糊聚类
7.2.1 目标函数
7.2.2 原型的计算
7.3 实验结果及分析
7.3.1 Synthetic Control数据集实验
7.3.2 UCR数据集实验
7.3.3 股票数据实验
7.4 本章小结
8 基于公理模糊集的金融时间序列粒化及聚类
8.1 引言
8.2 GARCH模型
8.3 AFS信息粒
8.3.1 AFS基础
8.3.2 AFS粒化
8.4 AFS系统聚类
8.4.1 AFS信息粒的层次结构
8.4.2 AFS信息粒的合并原则
8.5 实验结果及分析
8.6 本章小结
参考文献