時間序列流的層次聚類和頻繁模式的挖掘算法研究.pdf

1、時間序列挖掘是數據挖掘領域中最具挑戰(zhàn)性的十大研究方向之一。時間序列流是一種連續(xù)、高速、無限、時變的按照時間排列的有序序列。連續(xù)性要求挖掘算法掃描次數少;高速性要求挖掘算法的實時性高;數據量的無限性要求挖掘算法能夠緩存數據，并分批裝載進主存中;數據內容的時變性要求挖掘算法具有處理概念漂移的能力，能夠反映出數據的演化性質。由于時間序列流的復雜特性，時間序列流的挖掘研究仍處于探索階段，本文將從層次聚類系統(tǒng)和序列頻繁模式挖掘兩個方面開展研究。<

2、br>　　由于層次聚類算法具有自適應確定聚類數目、適合多種類型的簇結構和效率高等多種優(yōu)點，使得它在數據流聚類研究中應用廣泛。本文重點研究了數據流層次聚類中的ODAC(the Online Divisive Agglomerative Clustering)算法。ODAC算法是一個時間序列流增量式聚類算法，采用自頂向下策略構建簇的一個層次樹狀結構。但它存在兩種問題:噪音數據影響聚類結果和處理概念漂移時重構簇結構代價過大。本文提出了一種基于

3、粗糙集理論的改進算法ODRC(the Online Divisive Rough Clustering)。ODRC算法分為兩個階段:第一階段根據時間序列流樣本生成子簇的層次結構，第二階段利用限制容差關系模型擴展子簇的粗糙集定義，從而獲得子簇結構基于粗糙集的等價劃分。該算法能夠獲得比原算法更加合理的簇結構，增強了對時間序列流中概念漂移現(xiàn)象的處理能力。實驗結果表明了該方法的可行性和有效性。
　　序列模式挖掘作為數據挖掘領域的研究熱點之

4、一，其任務是從序列數據庫中挖掘出頻繁序列供決策者做出決策。本文引入了一種基于滑動窗口技術的序列模式挖掘算法MFI-TransSW，該算法采用比特序列實現(xiàn)滑動窗口操作，較好解決了在數據一遍掃描和有限內存空間的限制下實現(xiàn)快速處理的難題。針對MFI-TransSW算法在頻繁模式生成階段計算效率不高的情況，本文提出了一種基于窗口劃分成固定數目段的多線程算法MFI-MultiSW。MFI-MultiSW算法采用線性鏈表結構存儲當前候選項集和窗口內