| 中文摘要 | 第2-3页 |
| Abstract | 第3页 |
| 中文文摘 | 第5-8页 |
| 目录 | 第8-11页 |
| 绪论 | 第11-19页 |
| 第一节 研究背景及意义 | 第11-13页 |
| 第二节 国内外研究现状 | 第13-16页 |
| 第三节 本文的主要工作和结构安排 | 第16-19页 |
| 第一章 理论知识 | 第19-27页 |
| 第一节 数据挖掘概述 | 第19-20页 |
| 1.1 数据挖掘技术产生的背景 | 第19页 |
| 1.2 数据挖掘的过程 | 第19-20页 |
| 第二节 数据预处理 | 第20-22页 |
| 2.1 数据预处理的必要性 | 第20页 |
| 2.2 数据预处理技术 | 第20-21页 |
| 2.3 数据变换技术 | 第21-22页 |
| 第三节 时间序列数据挖掘概述 | 第22-27页 |
| 3.1 时间序列 | 第22-23页 |
| 3.2 时间序列数据的特点 | 第23-24页 |
| 3.3 时间序列数据挖掘 | 第24-27页 |
| 第二章 时间序列的相似性度量 | 第27-41页 |
| 第一节 相关工作 | 第27-29页 |
| 1.1 符号定义 | 第27-28页 |
| 1.2 传统的SAX算法 | 第28-29页 |
| 1.3 关键点提取算法 | 第29页 |
| 第二节 基于SAX的时间序列相似性复合度量算法CM_SAX | 第29-34页 |
| 2.1 关键点提取 | 第29-31页 |
| 2.2 复合距离度量方法 | 第31-33页 |
| 2.3 CM_SAX算法步骤 | 第33页 |
| 2.4 算法分析与评价 | 第33-34页 |
| 第三节 实验结果 | 第34-40页 |
| 第四节 本章小结 | 第40-41页 |
| 第三章 时间序列模式发现 | 第41-51页 |
| 第一节 相关工作 | 第41-43页 |
| 1.1 一种时间序列快速模式发现算法介绍 | 第42页 |
| 1.2 关键点线性分段拟合算法 | 第42-43页 |
| 1.3 基于关键点的动态时间弯曲距离度量算法 | 第43页 |
| 第二节 基于关键点动态弯曲距离的时序模式发现算法 | 第43-48页 |
| 2.1 划分序列 | 第44页 |
| 2.2 提取关键点序列 | 第44-45页 |
| 2.3 分配关键点序列 | 第45页 |
| 2.4 计算相似性 | 第45-47页 |
| 2.5 KDTWPatternDis算法过程 | 第47-48页 |
| 第三节 实验结果 | 第48-50页 |
| 第四节 本章小结 | 第50-51页 |
| 第四章 模糊时间序列预测 | 第51-63页 |
| 第一节 相关概念介绍 | 第51页 |
| 第二节 基于区间相似度的模糊时间序列预测算法 | 第51-58页 |
| 第三节 不同预测算法分析及实验对比 | 第58-62页 |
| 3.1 实验一 | 第58-60页 |
| 3.2 实验二 | 第60-62页 |
| 第四节 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 第一节 总结 | 第63-64页 |
| 第二节 下一步工作 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 攻读学位期间承担的科研任务与主要成果 | 第71-73页 |
| 致谢 | 第73-75页 |
| 个人简历 | 第75-78页 |