-
公开(公告)号：CN117992804A
公开(公告)日：2024-05-07
申请号：CN202410404447.9
申请日：2024-04-07
申请人： 东海实验室
IPC分类号： G06F18/22 , G06F16/2458 , G06Q10/0635 , G06Q40/04
摘要： 本发明公开了一种时序数据流模式识别方法及装置，首先，基于二进制编码的转折模式切分数据流；然后，利用第一类切比雪夫多项式分解子序列，抽取切比雪夫特征；最后，基于增量式动态规划方法进行时序数据流模式匹配。本发明基于切比雪夫特征可对原始数据流波动形态进行准确拟合，大幅降低数据维度的同时减少信息损失，并且实现了动态时间弯曲度量在高速时序数据流上的增量式计算，因此，本发明在模式识别准确率和计算效率方面都具有显著优势。在人们的日常活动和工业生产中可发挥重要作用，如在金融交易、交通管理、气象观测、工业流程监控、医疗诊断等应用中，能够对大规模采样数据或高速动态数据流进行异常检测、风险监控、实时问答等。
-
公开(公告)号：CN118094338B
公开(公告)日：2024-08-27
申请号：CN202410366271.2
申请日：2024-03-28
申请人： 东海实验室
IPC分类号： G06F18/241 , G06F18/23 , G06F18/20 , G06F123/02
摘要： 本发明公开了一种适应性混合多元时间序列数据预测方法，包括子序列聚类模型构建、子序列分类模型构建、预测模型构建和预测评价步骤。首先，将多元子序列和各维度一元子序列分别聚类；然后，以簇标签为样本标签分别训练一元子序列和多元子序列分类模型；其后，分别在每个簇内训练各自预测模型；最后，在预测阶段根据分类模型对待预测序列进行分类，并选择所在类别的预测模型进行预测，基于马氏距离评价预测结果并优化模型。本发明在预测过程同时考虑了多元时间序列的分量特征和维度间的相关性信息，因此具有较高的准确率，在大数据和数据挖掘、人工智能、数据库等领域可发挥重要作用。
-
公开(公告)号：CN117992804B
公开(公告)日：2024-07-09
申请号：CN202410404447.9
申请日：2024-04-07
申请人： 东海实验室
IPC分类号： G06F18/22 , G06F16/2458 , G06Q10/0635 , G06Q40/04
摘要： 本发明公开了一种时序数据流模式识别方法及装置，首先，基于二进制编码的转折模式切分数据流；然后，利用第一类切比雪夫多项式分解子序列，抽取切比雪夫特征；最后，基于增量式动态规划方法进行时序数据流模式匹配。本发明基于切比雪夫特征可对原始数据流波动形态进行准确拟合，大幅降低数据维度的同时减少信息损失，并且实现了动态时间弯曲度量在高速时序数据流上的增量式计算，因此，本发明在模式识别准确率和计算效率方面都具有显著优势。在人们的日常活动和工业生产中可发挥重要作用，如在金融交易、交通管理、气象观测、工业流程监控、医疗诊断等应用中，能够对大规模采样数据或高速动态数据流进行异常检测、风险监控、实时问答等。
-
公开(公告)号：CN118228070A
公开(公告)日：2024-06-21
申请号：CN202410365665.6
申请日：2024-03-28
申请人： 东海实验室
IPC分类号： G06F18/23 , G06F123/02
摘要： 本发明公开了基于公共主成分映射的多元时间序列数据聚类方法，包括公共映射空间构建、元素重构和聚类；首先，计算各簇内多元时间序列数据的平均协方差矩阵，并采用奇异值分解进行降维，构建簇内公共映射空间；然后，根据各簇的公共映射轴重构多元时间序列数据，得到重构的多元时间序列数据，并根据重构误差分配多元时间序列数据至相应的簇；最后，根据多元时间序列数据集总体重构误差最小化原则优化公共映射空间。本发明具有较高的聚类精度及运行效率，对时间序列长度、多元时间序列数据维度和数目具有良好的扩展性，在大数据和数据挖掘、人工智能、数据库等领域可发挥重要作用。
-
公开(公告)号：CN118094338A
公开(公告)日：2024-05-28
申请号：CN202410366271.2
申请日：2024-03-28
申请人： 东海实验室
IPC分类号： G06F18/241 , G06F18/23 , G06F18/20 , G06F123/02
摘要： 本发明公开了一种适应性混合多元时间序列数据预测方法，包括子序列聚类模型构建、子序列分类模型构建、预测模型构建和预测评价步骤。首先，将多元子序列和各维度一元子序列分别聚类；然后，以簇标签为样本标签分别训练一元子序列和多元子序列分类模型；其后，分别在每个簇内训练各自预测模型；最后，在预测阶段根据分类模型对待预测序列进行分类，并选择所在类别的预测模型进行预测，基于马氏距离评价预测结果并优化模型。本发明在预测过程同时考虑了多元时间序列的分量特征和维度间的相关性信息，因此具有较高的准确率，在大数据和数据挖掘、人工智能、数据库等领域可发挥重要作用。
-
-
-
-
搜索结果
5 条记录 (耗时 0.02 秒)
