| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 专业术语 | 第11-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文的创新点 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-16页 |
| 第二章 本文的基础知识和公式 | 第16-23页 |
| 2.1 机器学习 | 第16-17页 |
| 2.1.1 知识发现 | 第16-17页 |
| 2.1.2 机械学习 | 第17页 |
| 2.2 关联分析 | 第17-18页 |
| 2.3 时间特性关联分析 | 第18-19页 |
| 2.3.1 简单的时间特性关联分析 | 第18-19页 |
| 2.4 传统的关联算法-Apriori算法 | 第19-20页 |
| 2.5 时间序列的规范化 | 第20页 |
| 2.6 时间序列的表示方法 | 第20-21页 |
| 2.6.1 分段聚合近似法（PAA） | 第20-21页 |
| 2.6.2 感知关键点 | 第21页 |
| 2.7 时间序列的离散化方法-符号聚合近似SAX | 第21-23页 |
| 第三章 多维时间序列关联分析系统的整体框架 | 第23-31页 |
| 3.1 整体框架设计 | 第23-25页 |
| 3.2 多维时间序列预处理 | 第25-30页 |
| 3.2.1 数据清洗 | 第25-28页 |
| 3.2.2 数据规范化 | 第28-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第四章 时间序列的变化特征离散化方法 | 第31-40页 |
| 4.1 基于PAA+SAX的时间序列离散化方法及不足 | 第31-33页 |
| 4.2 基于改进SAX的时间序列离散化方法 | 第33-36页 |
| 4.3 融合变化特征的时间序列离散化方法 | 第36-39页 |
| 4.3.1 传统的变化特征提取方法 | 第36-37页 |
| 4.3.2 时间序列变化特征离散化方法 | 第37-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 多维时间序列的时间特性关联分析方法 | 第40-59页 |
| 5.1 传统Apriori关联算法的不足 | 第40-41页 |
| 5.2 面向单重时间序列的时间特性关联方法 | 第41-42页 |
| 5.3 单重时间序列关联规则评估 | 第42-46页 |
| 5.3.1 来自改进的SAX离散化方法的规则描述 | 第42-43页 |
| 5.3.2 来自于改进的SAX离散化方法规则评估 | 第43-44页 |
| 5.3.3 来自变化特征离散化方法的规则描述 | 第44-46页 |
| 5.3.4 来自变化特征离散化方法的规则评估 | 第46页 |
| 5.4 面向多重时间序列的时间特性关联方法 | 第46-50页 |
| 5.5 多重时间序列关联规则评估 | 第50-55页 |
| 5.5.1 来自于改进的SAX离散化方法的规则的描述 | 第51-52页 |
| 5.5.2 来自于改进的SAX离散化方法的规则评估 | 第52-53页 |
| 5.5.3 来自于变化特征离散化方法的规则描述 | 第53-54页 |
| 5.5.4 来自于变化特征离散化方法的规则评估 | 第54-55页 |
| 5.6 关键时间片段关联规则提取方法 | 第55-58页 |
| 5.6.1 关键时间片段关联规则提取算法描述 | 第55-56页 |
| 5.6.2 关键时间片段的关联规则描述 | 第56-58页 |
| 5.6.3 来自于变化特征离散化方法的规则评估 | 第58页 |
| 5.7 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 攻读硕士学位期间的研究成果目录 | 第63-64页 |
| 致谢 | 第64页 |
