《一种时间序列数据挖掘系统.pdf》由会员分享，可在线阅读，更多相关《一种时间序列数据挖掘系统.pdf（6页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104182461A43申请公布日20141203CN104182461A21申请号201410347432X22申请日20140721G06F17/3020060171申请人安徽华贞信息科技有限公司地址230000安徽省合肥市高新区黄山路602号国家大学科技园A50272发明人贾岩74专利代理机构合肥市长远专利代理事务所普通合伙34119代理人程笃庆黄乐瑜54发明名称一种时间序列数据挖掘系统57摘要本发明提出了一种时间序列数据挖掘系统，适用范围广，易于理解，便于操作，适合中小企业竞争情报分析系统，其包括依次连接的原始数据处理模块、时间序列聚类分析模块、单条时间序列模式发现模。
2、块、同类别多条时间序列模式发现模块。其中，原始数据处理模块，按访问时间顺序采集时间序列数据，并对其进行划分和平滑处理；时间序列聚类分析模块，分析接收到的时间序列数据相似度，利用聚类算法对时间序列数据进行聚类，将时间序列数据按关联程度分为第一类别时间序列第N1类别时间序列、第N类别时间序列；单条时间序列模式发现模块，整理第一元模式集第N1元模式集、第N元模式集；同类别多条时间序列模式发现模块，计算时间序列频繁模式。51INTCL权利要求书1页说明书3页附图1页19中华人民共和国国家知识产权局12发明专利申请权利要求书1页说明书3页附图1页10申请公布号CN104182461ACN10418246。
3、1A1/1页21一种时间序列数据挖掘系统，其特征在于，包括依次连接的原始数据处理模块、时间序列聚类分析模块、单条时间序列模式发现模块、同类别多条时间序列模式发现模块；其中，原始数据处理模块，按访问时间顺序采集时间序列数据，并对其进行划分和平滑处理，并将处理后的时间序列数据发送到时间序列聚类分析模块；时间序列聚类分析模块，分析接收到的时间序列数据相似度，利用聚类算法对时间序列数据进行聚类，将时间序列数据按关联程度分为第一类别时间序列第N1类别时间序列、第N类别时间序列并发送到单条时间序列模式发现模块，N1；单条时间序列模式发现模块，分别针对第一类别时间序列第N1类别时间序列、第N类别时间序列，分。
4、析其变化模式，整理对应的第一元模式集第N1元模式集、第N元模式集并发送到同类别多条时间序列模式发现模块；同类别多条时间序列模式发现模块，根据第一元模式集第N1元模式集、第N元模式集，分析整理多条时间序列通用的模式，计算时间序列频繁模式。2如权利要求1所述的时间序列数据挖掘系统，其特征在于，原始数据处理模块中，采集时间序列数据的时间顺序可自动设置和/或手动设置。3如权利要求1或2所述的时间序列数据挖掘系统，其特征在于，时间序列数据为确定时间序列数据和/或随机时间序列数据。4如权利要求1所述的时间序列数据挖掘系统，其特征在于，时间序列聚类分析模块中，通过相似度计算方法分析时间序列数据相似度，相似度。
5、计算方法可自动设置和/或手动设置。权利要求书CN104182461A1/3页3一种时间序列数据挖掘系统技术领域0001本发明涉及数据挖掘技术领域，尤其涉及一种时间序列数据挖掘系统。背景技术0002数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者做出正确的决策。0003数据库中的数据量非常庞大，分析数据时必须遵循一定的规律。由于时间序列时普遍存在的，现在常用的数据挖掘为时间序列数据挖掘，即。
6、在不同时间点上收集数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。0004时间序列数据挖掘是现有的数据挖掘最常用的手段，但是，现有的时间序列数据挖掘方法针对性强，不同环境、不同对象之间的时间序列挖掘方法及模型往往相差巨大，例如，季节降雨量、中国GDP的变化、金融市场分析等等都需要不同的时间序列数据挖掘模型。另外，随着企业竞争的日益激烈，竞争情报分析也越来越受到重视，但是现有的竞争情报数据分析系统耗资甚巨，中小型企业难以承受，他们急需一种简洁、快速、方便的数据挖掘方法。发明内容0005基于背景技术存在的问题，本发明提出了一种时间序列数据挖掘系统，适用范围广，且易于理解，便于操作，适用。
7、于中小企业竞争情报分析系统。0006本发明提出的一种时间序列数据挖掘系统，包括依次连接的原始数据处理模块、时间序列聚类分析模块、单条时间序列模式发现模块、同类别多条时间序列模式发现模块；其中，0007原始数据处理模块，按访问时间顺序采集时间序列数据，并对其进行划分和平滑处理，并将处理后的时间序列数据发送到时间序列聚类分析模块；0008时间序列聚类分析模块，分析接收到的时间序列数据相似度，利用聚类算法对时间序列数据进行聚类，将时间序列数据按关联程度分为第一类别时间序列第N1类别时间序列、第N类别时间序列并发送到单条时间序列模式发现模块，N1；0009单条时间序列模式发现模块，分别针对第一类别时间。
8、序列第N1类别时间序列、第N类别时间序列，分析其变化模式，整理对应的第一元模式集第N1元模式集、第N元模式集并发送到同类别多条时间序列模式发现模块；0010同类别多条时间序列模式发现模块，根据第一元模式集第N1元模式集、第N元模式集，分析整理多条时间序列通用的模式，计算时间序列频繁模式。0011优选地，原始数据处理模块中，采集时间序列数据的时间顺序可自动设置和/或手动设置。说明书CN104182461A2/3页40012优选地，时间序列数据为确定时间序列数据和/或随机时间序列数据。0013优选地，时间序列聚类分析模块中，通过相似度计算方法分析时间序列数据相似度，相似度计算方法可自动设置和/或手。
9、动设置。0014本发明提出的时间序列数据挖掘系统，符合大多数数据挖掘场景的应用需求，适用范围广泛，能够满足竞争情报分析的需要；而且本发明中，采集数据的时间顺序、数据相似度算法既可以自动设置又可以手动设置，自动设置时，效率高，人工成本低，手动设置时，针对性强，准确率高；同理，时间序列数据可根据需要选择确定时间序列数据和/或随机时间序列数据，确定时间序列数据比较适合事件时间确定的分析场合，大大减少了数据量，提高分析速率并节约成本，随机时间序列数据更为适合事件时间不确定的分析场合，采用大面积撒网的策略，防止重要数据遗漏。本发明条理清晰，便于理解，可操作性强，尤其适合中小型企业的竞争情报分析系统。附图。
10、说明0015图1为本发明提出的一种时间序列数据挖掘系统的结构图；0016图2为图1所示系统的工作流程图。具体实施方式0017参照图1、图2，本发明提出的一种时间序列数据挖掘系统，包括依次连接的原始数据处理模块、时间序列聚类分析模块、单条时间序列模式发现模块、同类别多条时间序列模式发现模块。0018原始数据处理模块，按访问时间顺序采集时间序列数据，并对其进行划分和平滑处理，使得时间序列数据变化模式更加清晰也更具有代表性。处理后的时间序列数据被发送到时间序列聚类分析模块。0019时间序列聚类分析模块，分析接收到的时间序列数据相似度，利用聚类算法对时间序列数据进行聚类，将时间序列数据按关联程度分为第。
11、一类别时间序列第N1类别时间序列、第N类别时间序列并发送到单条时间序列模式发现模块，N1。0020单条时间序列模式发现模块，分别针对第一类别时间序列第N1类别时间序列、第N类别时间序列，分析其变化模式，整理对应的第一元模式集第N1元模式集、第N元模式集并发送到同类别多条时间序列模式发现模块。0021同类别多条时间序列模式发现模块，根据第一元模式集第N1元模式集、第N元模式集，分析整理多条时间序列通用的模式，计算时间序列频繁模式。0022以上实施方式的原始数据处理模块中，采集时间序列数据的时间顺序可自动设置也可手动设置，时间序列数据可以是确定时间序列数据也可以是随机时间序列数据，确定时间序列数据。
12、比较适合事件时间确定的分析场合，大大减少了数据量，提高分析速率并节约成本，随机时间序列数据更为适合事件时间不确定的分析场合，采用大面积撒网的策略，防止重要数据遗漏。0023以上实施方式的时间序列聚类分析模块中，通过相似度计算方法分析时间序列数据相似度，相似度计算方法可自动设置也可手动设置，自动设置时，效率高，人工成本低，手动设置时，针对性强，准确率高。说明书CN104182461A3/3页50024以上实施方式中的时间序列数据挖掘系统，符合大多数数据挖掘场景的应用需要，适用范围广泛，能够满足竞争情报分析的需要，而且，条理清晰，便于理解，可操作性强，尤其适合中小型企业的竞争情报分析系统。0025以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。说明书CN104182461A1/1页6图1图2说明书附图CN104182461A。