| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-11页 |
| 第一章 绪论 | 第11-28页 |
| 1．1 研究背景和目的 | 第11-13页 |
| 1．1．1 数据挖掘产生的背景 | 第11-12页 |
| 1．1．2 时序数据挖掘研究背景 | 第12-13页 |
| 1．2 时序数据挖掘研究动态 | 第13-15页 |
| 1．3 目前时序数据挖掘技术或方法 | 第15-21页 |
| 1．3．1 趋势分析 | 第15-16页 |
| 1．3．2 时序分析 | 第16-21页 |
| 1．4 序列模式和规则发现 | 第21页 |
| 1．5 时序分析的局限性 | 第21-23页 |
| 1．5．1 存在的问题 | 第21-22页 |
| 1．5．2 问题的根源 | 第22-23页 |
| 1．6 时序数据挖掘应用研究初览 | 第23-24页 |
| 1．7 本研究的价值和意义 | 第24-26页 |
| 1．8 本研究的主要内容和组织结构 | 第26-27页 |
| 1．8．1 主要内容 | 第26页 |
| 1．8．2 组织结构 | 第26-27页 |
| 1．9 本章小结 | 第27-28页 |
| 第二章 数据挖掘基本理论与技术 | 第28-40页 |
| 2．1 数据挖掘和 KDD的概念 | 第28-29页 |
| 2．2 数据挖掘过程 | 第29-35页 |
| 2．2．1 确定挖掘对象 | 第29-30页 |
| 2．2．2 数据准备 | 第30-34页 |
| 2．2．3 数据挖掘算法执行 | 第34页 |
| 2．2．4 结果的解释和评估 | 第34-35页 |
| 2．3 关联规则发现 | 第35-37页 |
| 2．3．1 关联规则的基本概念 | 第35页 |
| 2．3．2 描述关联规则的参数 | 第35-36页 |
| 2．3．3 发现关联规则的过程 | 第36-37页 |
| 2．4 分类发现 | 第37-39页 |
| 2．4．1 分类发现的含义与过程 | 第37-38页 |
| 2．4．2 分类模型的评估标准 | 第38页 |
| 2．4．3 分类发现的主要方法 | 第38-39页 |
| 2．5 本章小结 | 第39-40页 |
| 第三章 基于时序模式和规则的预测方法 | 第40-49页 |
| 3．1 前言 | 第40-41页 |
| 3．2 基于时序模式和规则的预测方法 | 第41-47页 |
| 3．2．1 基本概念及方法 | 第41-45页 |
| 3．2．2 挖掘算法 | 第45-47页 |
| 3．3 实例应用 | 第47-48页 |
| 3．4 本章小结 | 第48-49页 |
| 第四章 基于时序趋势结构序列的时序数据挖掘方法 | 第49-67页 |
| 4．1 前言 | 第49-50页 |
| 4．2 特点和基本概念 | 第50-52页 |
| 4．2．1 时间序列的特点 | 第50-51页 |
| 4．2．2 基本概念 | 第51-52页 |
| 4．3 基于趋势结构序列的时序挖掘方法 | 第52-61页 |
| 4．3．1 基于趋势结构序列的一步前预方法 | 第52-57页 |
| 4．3．2 基于趋势结构序列的多步前预方法 | 第57-59页 |
| 4．3．3 基于趋势结构相同的聚类方法 | 第59页 |
| 4．3．4 挖掘算法 | 第59-61页 |
| 4．4 基于趋势结构序列模式或规则的时序预测方法 | 第61-66页 |
| 4．4．1 基于模式或规则的趋势预测 | 第61-64页 |
| 4．4．2 模式和规则发现挖掘算法 | 第64-66页 |
| 4．5 本章小结 | 第66-67页 |
| 第五章 基于RS和趋势结构序列的时序挖掘方法 | 第67-86页 |
| 5．1 引言 | 第67-68页 |
| 5．2 粗糙集基本理论 | 第68-75页 |
| 5．2．1 基本概念 | 第68-71页 |
| 5．2．2 知识约简 | 第71-72页 |
| 5．2．3 知识的依赖性 | 第72-73页 |
| 5．2．4 信息系统 | 第73-75页 |
| 5．3 时间序列的特点及主要概念 | 第75-76页 |
| 5．3．1 时间序列的特点 | 第75页 |
| 5．3．2 主要概念 | 第75-76页 |
| 5．4 基于 RS和趋势结构序列的时序挖掘方法 | 第76-82页 |
| 5．4．1 趋势结构序列转换为信息系统 | 第76-77页 |
| 5．4．2 基于 RS和趋势结构序列的一步前预方法 | 第77-80页 |
| 5．4．3 基于 RS和趋势结构序列的多步前预方法 | 第80-82页 |
| 5．5 挖掘算法及实例研究 | 第82-84页 |
| 5．6 本章小结 | 第84-86页 |
| 第六章 时序挖掘方法在水质预测上的应用 | 第86-102页 |
| 6．1 前言 | 第86页 |
| 6．2 时序挖掘方法在水质预测上的应用 | 第86-91页 |
| 6．2．1 基于趋势结构序列的时序挖掘方法在水质预测上的应用 | 第86-87页 |
| 6．2．2 基于 RS和趋势结构序列的时序挖掘方法在水质预测上的应用 | 第87-89页 |
| 6．2．3 实例挖掘研究 | 第89-91页 |
| 6．3 利用时滞方法进行时序预测 | 第91-94页 |
| 6．4 ANN与 AR相结合的时序预测模型 | 第94-101页 |
| 6．4．1 ANN模型结构选择 | 第95-96页 |
| 6．4．2 AR模型 | 第96-97页 |
| 6．4．3 模型的构建 | 第97-98页 |
| 6．4．4 实例研究分析 | 第98-101页 |
| 6．5 本章小结 | 第101-102页 |
| 第七章 总结与展望 | 第102-106页 |
| 7．1 本文的主要研究成果及创新点 | 第102-104页 |
| 7．1．1 主要研究成果 | 第102-103页 |
| 7．1．2 创新点 | 第103-104页 |
| 7．2 进一步的研究 | 第104-106页 |
| 参考文献 | 第106-114页 |
| 攻读博士学位期间发表或录用的论文 | 第114-115页 |
| 独创性声明 | 第115-116页 |
| 致谢 | 第116-117页 |
| 附录 | 第117-120页 |
