论文题目: 时序数据挖掘技术及其在水质预测中的应用研究
论文类型: 博士论文
论文专业: 控制理论与控制工程
作者: 王勇
导师: 张新政
关键词: 数据挖掘,时间序列,时序趋势结构序列,水质预测,粗糙集,人工神经网络,模型
文献来源: 广东工业大学
发表年度: 2005
论文摘要: 时间序列数据挖掘是从大量的时间序列数据集中提取潜在的、有用的知识,据此预测时间序列的未来。本文结合导师“区域水环境监控及决策支持系统开发(广东省科技攻关项目)”和“流域水污染时滞大系统的建模与控制(国家自然科学基金项目)”的研究课题,进行了时序数据挖掘技术及其在水质预测中的应用研究。其主要内容包括:进行基于时序模式和规则的趋势预测方法研究、进行基于时序趋势结构序列的时序数据挖掘方法研究、进行基于粗糙集和趋势结构序列的时序挖掘方法研究、以及进行时序挖掘方法应用于水质预测上的研究。本文的主要工作、成果及核心部分归纳如下: (1)第一章概述时序数据挖掘的产生背景和研究现状,阐述进行时间序列数据挖掘技术及其在水质预测上的应用研究的价值和意义,给出本博士论文的组织结构和研究内容。 (2)第二章介绍数据挖掘的概念及数据挖掘的几个过程,概述关联规则的概念和关联规则的发现、分类发现的含义和分类发现的主要方法。 (3)第三章,作者给出上升的时间子序列和下降的时间子序列的概念,提出基于时间序列的模式和规则的趋势预测方法。对于给定的时间序列,该技术先把时间序列转换成时间子序列数据集,然后挖掘时间子序列数据集,重点挖掘其上升的或下降的时间子序列数据集,从中提取序列模式和规则;提出基于模式和规则、基于支持度和可信度的时序趋势预测。最后给出挖掘算法。 (4)第四章,作者定义时间序列的趋势结构序列、最近时间子序列、趋势结构相同、基于可信度和基于支持度的趋势预测的概念。作者认为最近时间子序列是时间序列的信息聚集器,在此基础上,提出基于时间序列的趋势结构序列的时序数据挖掘方法。该挖掘方法先把待挖掘的时间序列转换成时序趋势结构序列,然后利用时序趋势结构序列的最近时间子序列隐含的知识或信息,来指导对原时间序列的挖掘;提出基于可信度和支持度的时序趋势预测方法,并给出挖掘算法。
论文目录:
摘要
ABSTRACT
目录
第一章 绪论
1．1 研究背景和目的
1．1．1 数据挖掘产生的背景
1．1．2 时序数据挖掘研究背景
1．2 时序数据挖掘研究动态
1．3 目前时序数据挖掘技术或方法
1．3．1 趋势分析
1．3．2 时序分析
1．4 序列模式和规则发现
1．5 时序分析的局限性
1．5．1 存在的问题
1．5．2 问题的根源
1．6 时序数据挖掘应用研究初览
1．7 本研究的价值和意义
1．8 本研究的主要内容和组织结构
1．8．1 主要内容
1．8．2 组织结构
1．9 本章小结
第二章 数据挖掘基本理论与技术
2．1 数据挖掘和 KDD的概念
2．2 数据挖掘过程
2．2．1 确定挖掘对象
2．2．2 数据准备
2．2．3 数据挖掘算法执行
2．2．4 结果的解释和评估
2．3 关联规则发现
2．3．1 关联规则的基本概念
2．3．2 描述关联规则的参数
2．3．3 发现关联规则的过程
2．4 分类发现
2．4．1 分类发现的含义与过程
2．4．2 分类模型的评估标准
2．4．3 分类发现的主要方法
2．5 本章小结
第三章 基于时序模式和规则的预测方法
3．1 前言
3．2 基于时序模式和规则的预测方法
3．2．1 基本概念及方法
3．2．2 挖掘算法
3．3 实例应用
3．4 本章小结
第四章 基于时序趋势结构序列的时序数据挖掘方法
4．1 前言
4．2 特点和基本概念
4．2．1 时间序列的特点
4．2．2 基本概念
4．3 基于趋势结构序列的时序挖掘方法
4．3．1 基于趋势结构序列的一步前预方法
4．3．2 基于趋势结构序列的多步前预方法
4．3．3 基于趋势结构相同的聚类方法
4．3．4 挖掘算法
4．4 基于趋势结构序列模式或规则的时序预测方法
4．4．1 基于模式或规则的趋势预测
4．4．2 模式和规则发现挖掘算法
4．5 本章小结
第五章 基于RS和趋势结构序列的时序挖掘方法
5．1 引言
5．2 粗糙集基本理论
5．2．1 基本概念
5．2．2 知识约简
5．2．3 知识的依赖性
5．2．4 信息系统
5．3 时间序列的特点及主要概念
5．3．1 时间序列的特点
5．3．2 主要概念
5．4 基于 RS和趋势结构序列的时序挖掘方法
5．4．1 趋势结构序列转换为信息系统
5．4．2 基于 RS和趋势结构序列的一步前预方法
5．4．3 基于 RS和趋势结构序列的多步前预方法
5．5 挖掘算法及实例研究
5．6 本章小结
第六章 时序挖掘方法在水质预测上的应用
6．1 前言
6．2 时序挖掘方法在水质预测上的应用
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
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
6．2．3 实例挖掘研究
6．3 利用时滞方法进行时序预测
6．4 ANN与 AR相结合的时序预测模型
6．4．1 ANN模型结构选择
6．4．2 AR模型
6．4．3 模型的构建
6．4．4 实例研究分析
6．5 本章小结
第七章 总结与展望
7．1 本文的主要研究成果及创新点
7．1．1 主要研究成果
7．1．2 创新点
7．2 进一步的研究
参考文献
攻读博士学位期间发表或录用的论文
独创性声明
致谢
附录
发布时间: 2005-07-27
参考文献
- [1].面向商业智能的并行数据挖掘技术及应用研究[D]. 熊忠阳.重庆大学2004
- [2].科学数据网格中数据挖掘技术研究[D]. 佟强.中国科学院研究生院（计算技术研究所）2006
- [3].数据挖掘技术与分类算法研究[D]. 刘刚.中国人民解放军信息工程大学2004
- [4].数据挖掘技术及其在证券领域的应用[D]. 王中.天津大学2005
- [5].领域知识制导的数据挖掘技术及其在中药提取中的应用[D]. 朱恒民.南京航空航天大学2006
- [6].基于数据挖掘技术的造林决策研究[D]. 姚山.北京林业大学2008
- [7].基于粗集的数据挖掘技术及其应用研究[D]. 曹秀英.哈尔滨工程大学2003
- [8].基于数据挖掘技术的模糊推理系统设计[D]. 白一鸣.大连海事大学2013
- [9].数据挖掘技术在入侵检测系统中的应用研究[D]. 李玲娟.苏州大学2008
- [10].基于数据挖掘技术的冠心病费用研究[D]. 赵璇.北京中医药大学2018
相关论文
- [1].地表水源水质预测模型数据挖掘技术及其适用性研究[D]. 赵英.哈尔滨工业大学2008
- [2].时间序列数据挖掘研究[D]. 张保稳.西北工业大学2002
- [3].时间序列数据挖掘研究与应用[D]. 王达.浙江大学2004
- [4].时间序列数据挖掘中相似性和趋势预测的研究[D]. 王晓晔.天津大学2003
- [5].短时间序列挖掘方法研究[D]. 骆科东.清华大学2004
- [6].数据挖掘和人工智能理论在短期电力负荷预测中的应用研究[D]. 冯丽.浙江大学2005
- [7].基于特征分析的金融时间序列挖掘若干关键问题研究[D]. 黄超.复旦大学2005
- [8].时间序列的相似性查询与异常检测[D]. 肖辉.复旦大学2005
- [9].水库湖泊水质分析、模拟与预测的综合数学方法及其应用[D]. 谷照升.吉林大学2006
- [10].时序数据挖掘及其在故障诊断中的应用研究[D]. 侯澍旻.武汉科技大学2006
标签：数据挖掘论文; 时间序列论文; 时序趋势结构序列论文; 水质预测论文; 粗糙集论文; 人工神经网络论文; 模型论文;