| 针对时间序列数据的时态关联规则挖掘研究 | 第1-62页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-11页 |
| 第1章 引言 | 第11-15页 |
| ·研究背景与意义 | 第11-13页 |
| ·本文工作 | 第13页 |
| ·论文组织结构 | 第13-15页 |
| 第2章 时间序列数据的符号化表示 | 第15-23页 |
| ·时序逻辑基本知识 | 第15-18页 |
| ·确定时间的概念与时间序列数据定义 | 第15-16页 |
| ·时态关系 | 第16-18页 |
| ·时间序列数据表示 | 第18-22页 |
| ·时间序列数据符号表示的必要性 | 第18-19页 |
| ·时间序列数据符号表示法 | 第19-20页 |
| ·针对股票数据应用的问题表示 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第3章 连续频繁序列的挖掘 | 第23-37页 |
| ·连续频繁序列及其性质 | 第23-26页 |
| ·关联规则与频繁项集 | 第23-24页 |
| ·时态关联规则及其特性 | 第24-25页 |
| ·连续频繁序列 | 第25-26页 |
| ·互关联后继树模型 | 第26-31页 |
| ·互关联后继树定义与性质 | 第26-29页 |
| ·基于互关联后继树挖掘多元频繁序列的方法 | 第29-31页 |
| ·互关联统计线索树 | 第31-36页 |
| ·互关联线索树定义及性质 | 第31-34页 |
| ·IRST与IRSCT挖掘算法 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 间隔频繁序列的挖掘 | 第37-43页 |
| ·间隔频繁序列定义与性质 | 第37-38页 |
| ·利用加权有向图挖掘间隔频繁序列的算法 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 时态关联规则表示和时序数据预测 | 第43-46页 |
| ·时态关联规则表示 | 第43-44页 |
| ·时间序列预测 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第6章 实验分析 | 第46-56页 |
| ·实验数据存储与符号化 | 第46-47页 |
| ·互关联后继树与统计线索树创建以及频繁序列挖掘 | 第47-53页 |
| ·互关联后继树与统计线索树创建 | 第47-50页 |
| ·频繁序列挖掘与算法比较分析 | 第50-53页 |
| ·规则表示与预测 | 第53-56页 |
| 第7章 总结与展望 | 第56-57页 |
| ·小结 | 第56页 |
| ·未来的研究方向 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读学位期间发表的学术论文和研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 数据挖掘算法与时间序列数据挖掘算法研究综述 | 第62-114页 |
| 摘要 | 第63-64页 |
| Abstract | 第64-68页 |
| 第1章 数据挖掘简介 | 第68-92页 |
| ·概述 | 第68-71页 |
| ·知识发现和数据挖掘概念 | 第68页 |
| ·数据挖掘逐渐演变的过程 | 第68-70页 |
| ·研究历史 | 第70页 |
| ·出版物及工具 | 第70页 |
| ·国内现状 | 第70-71页 |
| ·业界观点 | 第71页 |
| ·数据挖掘过程 | 第71-78页 |
| ·问题定义 | 第72-73页 |
| ·准备数据 | 第73-74页 |
| ·浏览数据及数据预处理 | 第74-76页 |
| ·生成模型以及验证模型 | 第76-78页 |
| ·部署和更新模型 | 第78页 |
| ·数据挖掘的方法和技术 | 第78-83页 |
| ·数据准备以及数据预处理的相关技术 | 第78-79页 |
| ·数据挖掘算法与分析 | 第79-83页 |
| ·数据挖掘所发现的知识 | 第83-86页 |
| ·自动预测趋势和行为 | 第83-84页 |
| ·关联分析 | 第84页 |
| ·聚类 | 第84-85页 |
| ·概念描述 | 第85页 |
| ·偏差检测 | 第85-86页 |
| ·数据挖掘工具 | 第86页 |
| ·数据挖掘未来研究方向 | 第86-88页 |
| ·数据挖掘解决的典型商业问题 | 第88-91页 |
| ·本章小结 | 第91-92页 |
| 第2章 时序数据及时序数据挖掘简介 | 第92-107页 |
| ·概述 | 第92-93页 |
| ·时序逻辑基础知识 | 第93-96页 |
| ·确定时间的概念与时态关系 | 第93-95页 |
| ·时态语义 | 第95页 |
| ·时间序列数据的表示和符号化 | 第95-96页 |
| ·时间序列数据挖掘的主要研究内容 | 第96-105页 |
| ·时间序列数据变换 | 第96-99页 |
| ·离散傅里叶变换数据表示 | 第97-98页 |
| ·奇异值分解数据表示 | 第98页 |
| ·离散小波变换数据表示 | 第98-99页 |
| ·时间序列数据相似搜索 | 第99-100页 |
| ·时间序列聚类/分类分析 | 第100-101页 |
| ·时间序列数据可视化 | 第101页 |
| ·时间序列分割与模式发现 | 第101页 |
| ·时间序列预测 | 第101-105页 |
| ·基于统计学理论的顶测方法 | 第102页 |
| ·神经网络预测法 | 第102-103页 |
| ·模糊数学预测法 | 第103页 |
| ·混沌预测法 | 第103-104页 |
| ·状态空间预测法 | 第104页 |
| ·组合预测法 | 第104-105页 |
| ·TSDM应用研究 | 第105页 |
| ·未来的研究方向 | 第105-106页 |
| ·本章小结 | 第106-107页 |
| 第3章 新动态与新热点简介 | 第107-110页 |
| ·流数据挖掘 | 第107页 |
| ·隐私保护数据挖掘算法 | 第107-108页 |
| ·空间数据挖掘 | 第108页 |
| ·其它新方向 | 第108-109页 |
| ·本章小结 | 第109-110页 |
| 参考文献 | 第110-114页 |
| Study of Temporal Association Rules Mining for the Time-SeriesData | 第114-159页 |
| Abstract | 第115-119页 |
| Chapter 1 Introduction | 第119-123页 |
| ·Background and Significance | 第119-120页 |
| ·This paper work | 第120-121页 |
| ·Papers organizational structure | 第121-123页 |
| Chapter 2 Time-series data of symbols | 第123-130页 |
| ·Sequential logic basic knowledge | 第123-125页 |
| ·Determine the time and the concept of time-series data definition | 第123-124页 |
| ·Tense relations | 第124-125页 |
| ·Time-series data of denotation | 第125-129页 |
| ·Time-series data that the need for symbols | 第125-126页 |
| ·Time-series data symbols law | 第126-127页 |
| ·Application of the stock data for time series data symbol of denotation | 第127-129页 |
| ·Summary of this chapter | 第129-130页 |
| Chapter 3 Close frequent sequence of mine | 第130-142页 |
| ·Close and continuous nature of the frequent sequence | 第130-133页 |
| ·Association rules and frequent itemsets | 第130-131页 |
| ·Temporal association rule | 第131-132页 |
| ·closely frequent sequence | 第132-133页 |
| ·Inter Relevant Successive Trees | 第133-137页 |
| ·IRST of definition and nature | 第133-135页 |
| ·Based on IRST Mining frequent sequence of multiple methods | 第135-137页 |
| ·Inter Relevant Statistics Clues Trees | 第137-141页 |
| ·Summary of this chapter | 第141-142页 |
| Chapter 4 Mine gap frequent sequence | 第142-147页 |
| ·Gap frequent sequence of definition and nature | 第142-143页 |
| ·Use the weighted directed graph to mine Gfs | 第143-147页 |
| Chapter 5 Temporal association rules of denotation and prediction of time series data | 第147-150页 |
| ·Temporal association rules of denotation | 第147-148页 |
| ·Prediction of time series data | 第148-150页 |
| Chapter 6 Experimental Analysis | 第150-158页 |
| ·Experimental data storage and symbols | 第150-151页 |
| ·IRST and IRSCT of creation and frequent items mine | 第151-156页 |
| ·IRST and IRSCT of creation | 第151-153页 |
| ·Mine frequent item and algorithm compared | 第153-156页 |
| ·Denotation of rules and prediction | 第156-158页 |
| Chapter 7 Summary and Prospects | 第158-159页 |
| ·Summary | 第158页 |
| ·The Future Direction | 第158-159页 |
| Study of Data Mining Algorithms and Time-Series Data MiningAlgorithms | 第159-206页 |
| Abstract | 第160-163页 |
| Chapter 1 Introduction of data mining | 第163-188页 |
| ·Overview | 第163-166页 |
| ·What is knowledge discovery and data mining | 第163页 |
| ·Data Mining gradually evovling process | 第163-165页 |
| ·Study history | 第165页 |
| ·Publications and tools | 第165-166页 |
| ·Domestic status quo | 第166页 |
| ·The industry point of view | 第166页 |
| ·Data mining process | 第166-173页 |
| ·Definition of the problem | 第167-168页 |
| ·Ready data | 第168-169页 |
| ·Browser data and data preprocessing | 第169-171页 |
| ·Generation models and model verification | 第171-173页 |
| ·Deployment and updating model | 第173页 |
| ·Data mining methods and techniques | 第173-178页 |
| ·Data and prepare the relevant technical data preprocessing | 第173-174页 |
| ·Data mining algorithms and analysis | 第174-178页 |
| ·Data Mining found knowledge | 第178-182页 |
| ·Automatically forecast trends and | 第178-179页 |
| ·Correlation Analysis | 第179-180页 |
| ·Clustering | 第180页 |
| ·Concept description | 第180-181页 |
| ·Error detection | 第181-182页 |
| ·Data mining tools | 第182页 |
| ·On the future direction of data mining | 第182-184页 |
| ·The typical data mining to solve business problems | 第184-187页 |
| ·Summary of this chapter | 第187-188页 |
| Chapter 2 Time-series data in time sequence data mining Profile | 第188-204页 |
| ·Summary | 第188-190页 |
| ·Sequential logic basic knowledge | 第190-192页 |
| ·Establish the concept of time and tense relations | 第190-191页 |
| ·Temporal semantics | 第191-192页 |
| ·That the time-series data and symbols of | 第192页 |
| ·Time-series data mining on the main content | 第192-202页 |
| ·Time-series data transformation | 第193-195页 |
| ·Discrete Fourier transform that data | 第193-194页 |
| ·SVD data that | 第194页 |
| ·DWT data that | 第194-195页 |
| ·Time-series data similar search | 第195-196页 |
| ·Time series clustering/classification analysis | 第196-197页 |
| ·Time-series data visualization | 第197页 |
| ·Time series split with the pattern found | 第197-198页 |
| ·Time series prediction | 第198-202页 |
| ·Arguments based on statistical method of measuring the top Conclusion | 第198-199页 |
| ·Neural network forecasting method | 第199页 |
| ·Fuzzy prediction method | 第199-200页 |
| ·Chaotic prediction method | 第200页 |
| ·State space prediction method | 第200-201页 |
| ·Combination of forecast | 第201页 |
| ·Other technologies | 第201-202页 |
| ·TSDM Applied Research | 第202页 |
| ·On the future direction | 第202-203页 |
| ·Summary of this chapter | 第203-204页 |
| Chapter 3 new developments and new hot spot for brief | 第204-206页 |
| ·Flow of data mining | 第204页 |
| ·Privacy of data mining algorithms | 第204-205页 |
| ·Spatial Data Mining | 第205-206页 |
| ·Other new direction | 第206页 |
| ·Summary of this chapter | 第206页 |
