基于粗糙集的時序數(shù)據(jù)挖掘及其應(yīng)用

《基于粗糙集的時序數(shù)據(jù)挖掘及其應(yīng)用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、西華大學(xué)碩士學(xué)位論文基于粗糙集的時序數(shù)據(jù)挖掘及其應(yīng)用姓名：郝飛申請學(xué)位級別：碩士專業(yè)：計算機軟件與理論指導(dǎo)教師：裴崢20080101西華大學(xué)碩士學(xué)位論文基于粗糙集的時序數(shù)據(jù)挖掘及其應(yīng)用計算機軟件與理論專業(yè)研究生郝飛指導(dǎo)教師裴崢時間序列數(shù)據(jù)挖掘是從大量的時間序列數(shù)據(jù)集中提取潛在、有用的知識、據(jù)此預(yù)測時間序列的未來。時間序列數(shù)據(jù)挖掘的研究也越來越受到人們的關(guān)注，現(xiàn)己成為數(shù)據(jù)挖掘領(lǐng)域的一個新的研究熱點。當(dāng)前時間序列數(shù)據(jù)挖掘的研究主要集中在，趨勢分析、相似性搜索、序列模式和規(guī)則發(fā)現(xiàn)上。本文結(jié)合導(dǎo)師的研究課題，首先針對時序數(shù)據(jù)預(yù)測的常用典型的預(yù)測模型做

2、了深入探討和研究，然后結(jié)合粗糙集(RoughSets)這一強有力的知識獲取工具，提出了基于粗糙集的時序數(shù)據(jù)挖掘模型及其挖掘方法，進行了時序挖掘方法用于股票預(yù)測的研究。本文的主要研究成果及核心部分歸納如下：1．在二次指數(shù)平滑預(yù)測模型中，鑒于其平滑參數(shù)的確定難題，本文給出一種基于OWA聚合算子的確定方法，該方法有別于人工指定和機器自動產(chǎn)生，它是一種同時考慮了歷史誤差和預(yù)測誤差的生成方法，它繼承了上述方法的優(yōu)點后，在此基礎(chǔ)上，用OWA算子進行聚合得到一個適合特定預(yù)測系統(tǒng)的優(yōu)化的平滑參數(shù)值，從而達到更好的預(yù)測效果。2．作者結(jié)合趨勢結(jié)構(gòu)序列(Trend

3、ingStmctureSequence)定義了時間序列的趨勢變化率結(jié)構(gòu)序YJJ(TrendingVariationRatioStructureSequence)，最近時間子序列，作者認為最近時間子序列是時間序列的信息聚集器，在此基礎(chǔ)上，對不同的趨勢變化率給出了相應(yīng)的模糊語言值描述，即上升很快，上升平緩，上升很慢，持平，下降很快，下降平緩，下降很慢。3．提出了基于粗糙集和趨勢變化率結(jié)構(gòu)序列的時序挖掘方法。該方法先將時間序列轉(zhuǎn)換成相應(yīng)的趨勢變化率序列并對其做模糊離散化處理，利用滑動窗口方法將趨勢變化率結(jié)構(gòu)序列轉(zhuǎn)換成標(biāo)準化的時序數(shù)據(jù)樣本集，然后構(gòu)造

4、了適合于粗糙集處理的決策表。其中，決策表最后一個對象由趨勢變化率結(jié)構(gòu)序列西華大學(xué)碩士學(xué)位論文的最近時間子序列后加預(yù)測目標(biāo)組成，預(yù)測目標(biāo)放在決策屬性位置上，且條件屬性集的基數(shù)等于趨勢變化率結(jié)構(gòu)序列的最近時間子序列的長度。然后借鑒模糊推理和模式匹配的方法，對預(yù)測目標(biāo)進行了預(yù)測推理。關(guān)鍵詞：時序數(shù)據(jù)挖掘，時序趨勢結(jié)構(gòu)序列，時序趨勢變化率結(jié)構(gòu)序列，粗糙集，股票預(yù)測II西華大學(xué)碩士學(xué)位論文Timese"Datae-senesMiningBasedonItsApplicationsComputerSoftware＆TheoryM．D．Candidate：

5、FeiHaoRoughSetsandSupervisor：ZhengPeiTimeseriesdataminingisthesearchforunderlyingandusefulinformationinlargevolumesoftime—seriesdatasetandusingtheinformationtopredictthetime-seriesfuture．Furthermore，moreandmorepeoplebegantopaymoreattentiontotimeseriesdatamining，itisanewrese

6、archhotspotamongdataminingfield．Nowadays，thestudyabouttime—seriesminingmainlyfocusontrendanalysis，similarityserching，timesequencequeryandrulesdiscovery．Inthisdissertation，theresearchofthetimeseriesdataminingtechniqueanditsapplicationinforecastingthestockmarket．takenasaparto

7、ftheprojcctionsofadvisor．Inthisthesis，classicforecastmodelsarefirstlydevotedtodiscussingandresearching．Futhermore，tme—seriesdataminingmodelandtechniquebasedonRoughSetswhichisastrongknowledgeretrievetoolsareproposed．TheApplicationoftime-seriesminingtechniqueinstockclosingpri

8、cepredictionisreserched．Themainworkandtheprimaryresultsandhardcoreofthisdissertati