基于AR_TSM的时间序列motif关联规则挖掘方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111324638A(43)申请公布日2020.06.23(21)申请号202010084931.X(22)申请日2020.02.10(71)申请人上海海洋大学地址201306上海市浦东新区沪城环路999号(72)发明人赵丹枫黄冬梅黄雁玲林俊辰宋巍(74)专利代理机构上海伯瑞杰知识产权代理有限公司31227代理人李庆(51)Int.Cl.G06F16/2458(2019.01)G06F16/28(2019.01)G06F17/16(2006.01)权利要求书2页说明书8页附图2页(54)发明名称基于AR_TSM的时间序列motif关联规则挖掘方法(57)摘要本发明提供一种基于AR_TSM的时间序列motif关联规则挖掘方法，包括步骤：S1：采集一时间序列数据；S2：基于PM_Motif方法对所述时间序列数据进行motif提取；S3：基于AR_TSM方法的时间序列motif关联规则挖掘；S4：利用衡量指标RM衡量规则预测性能。本发明的一种基于AR_TSM的时间序列motif关联规则挖掘方法，实现了保留原始信息的motif的精准快速提取；保证了规则的一致性，并可避免虚拟规则的产生。CN111324638ACN111324638A权利要求书1/2页1.一种基于AR_TSM的时间序列motif关联规则挖掘方法，包括步骤：S1：采集一时间序列数据；S2：基于PM_Motif方法对所述时间序列数据进行motif提取；S3：基于AR_TSM方法的时间序列motif关联规则挖掘；S4：利用衡量指标RM衡量规则预测性能。2.根据权利要求1所述的基于AR_TSM的时间序列motif关联规则挖掘方法，其特征在于，所述S2进一步包括步骤：S21：利用滑动窗口方法将长度为m的时间序列TS划分成m-s+1个长度为s的子序列，将子序列的集合表示为{C1，C2，...，Gm-s+1}，其中C1表示下标为1的子序列；S22：随机选取r个参考子序列，分别计算各个子序列与参考子序列的距离，存入距离矩阵Dis之中：其中，表示第r参考子序列，表示第m-s+1序列与第r参考子序列之间的距离；S23：利用公式(1)计算所述距离矩阵Dis每一行的标准差ψ：将标准差ψ最大的一行对应的参考子序列作为最佳参考子序列CBRS；D(C*，CΔ)表示子序列C*和子序列CΔ间的欧式距离值，若该值小于给定距离阈值R，则表示这两个子序列相似；S24：计算每个子序列到最佳参考子序列CBRS的欧氏距离，并按所述欧氏距离的值对各子序列进行升序排列；对所述欧氏距离大于距离阈值R的子序列进行剪枝处理；S25：将满足距离阈值R且其重复次数大于给定阈值的子序列归为一类集合之中，遍历完所有子序列，完成时间序列motif的提取。3.根据权利要求2所述的基于AR_TSM的时间序列motif关联规则挖掘方法，其特征在于，所述S3步骤中：根据预设规则生成强关联规则并进行输出。4.根据权利要求5所述的基于AR_TSM的时间序列motif关联规则挖掘方法，其特征在于，所述预设规则满足：Locate(j-motif)-Locate(i-motif)∈[0，T](2)；P(j-motif|i-motif)＞min_conf(4)；其中，Locate(i-motif)表示取i-motif里子序列的下标，T表示时间阈值；motif表示时间序列；表示关联规则发生的概率，2CN111324638A权利要求书2/2页min_sup表示最小概率阈值；P(j-motif|i-motif)表示当i-motif发生的情况下，j-motif发生的概率。5.根据权利要求4所述的基于AR_TSM的时间序列motif关联规则挖掘方法，其特征在于，所述S4步骤中，所述衡量指标RM满足公式(5)：其中，Predict_error表示预测的结果与规则真实值之间的欧氏距离；其中，Cpredict，i表示预测到的规则中的后件，Ctrue，i表示规则中后件的真实值；Random_error表示随机选取n个位置并计算该位置上的子串和规则中的后件之间的欧氏距离，重复该操作1000次，然后取平均值。6.根据权利要求5所述的基于AR_TSM的时间序列motif关联规则挖掘方法，其特征在于，所述S4步骤中，所述衡量指标RM的值越接近于0，表明该关联规则的预测性能越好。3CN111324638A说明书1/8页基于AR_TSM的时间序列motif关联规则挖掘方法技术领域[0001]本发明涉及时间序列数据挖掘领域，尤其涉及一种基于AR_TSM的时间序列motif关联规则挖掘方法。背景技术[0002]在数据挖掘领域，从时间序列中挖掘关联规则，进而对未来趋势做相应的预测是数据挖掘领域的一个热门话题，在许