时序数据挖掘的应用与研究文献综述
摘 要：时序数据挖掘就是从含有时间序列的数据中提取人们事先不知道、但又是潜在有用且与时间属性相关的信息和知识，用于短期、中期或长期预测。在现实社会中，存在大量的时间序列数据，研究、探索新技术或方法，把历史时序数据转化为对人类有用的知识和信息，已经越来越受到人们的关注。各种农业信息系统的建立和完善伴随着海量农业数据的增长, 通过人工的方式从中获取新知识变得越来越难。阐述了时序数据挖掘技术的基本原理以及实施时序数据挖掘的基本过程, 试着使用时序数据挖掘技术提高农业数据在预测农产品价格方面的可用价值, 同时分析了农业数据信息使用时序数据挖掘技术的难点。
关键词：时序数据挖掘；可视化；数据库
- 引文
所谓数据挖掘, 在不加严格区分的情况下也被叫做数据库知识发现( Knowledge Discovery in Database, KDD) , 就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取出隐含在其中的、可信的、新颖的、人们事先不知道的, 但又是潜在有用的模式的高级处理过程。数据挖掘是由统计学、人工智能、数据库、可视化技术等多个领域相融合而形成的一门交叉学科。而时序数据挖掘( Temporal Data Mining, TDM) 是数据挖掘的一个重要研究领域。TDM 通过把时间引入数据挖掘技术中,不仅为事件在时间上的先后顺序提供了一个具体的观察窗体,而且可以发现在其它的数据挖掘技术中被忽略的因果关系。
- 时间序列数据挖掘技术的现状
数据挖掘， 也称知识发现， 是研究从大量的历史数据中发现隐含的、 事先未知的和有价值的知识的方法， 是一种新兴的、 面向决策支持的数据处理手段。针对时间序列的数据挖掘是从大量的时间序列的历史数据中发掘出有价值的信息的算法及实现技术， 也是一个新的、 极具挑战性和有着重要应用前景的研究领域。
随着科学技术的不断发展， 计算机以及存储设备的存储容量日益增大， 时间序列数据库也越来越大，对其挖掘分析研究引起国内外很多学者的兴趣和注意， 目前已成为数据挖掘研究的一个重要分支和研究热点。 时序数据挖掘的主要研究包括趋势分析、 相似性搜索、 数据序列模式挖掘和周期性模式挖掘等几个方面。
- 时序数据挖掘技术的应用
时间序列预测法的基本思想，是从分析时间序列的变化特征等信息，选择适当的模型和参数建立预测模型，并根据惯性原则，假定预测对象以往的变化趋势会延续到未来，从而做出预测。自回归AR模型具有线性体系结构，和自回归移动平均ARMA( Auto-Regressive and Moving-Average Model)模型相比，求解方法和实现手段更为系统和有效。
- 时序数据挖掘的分析方法
在一个时序数据库中, 保存的不是一个时间点的数据, 而是大量时间点上的数据。每个元组中包含的信息都是按时序顺序从存储这个元组的日期到存储下一个元组的日期之间的“当前”信息。
- 典型的数据挖掘系统结构
数据库、数据仓库或其它信息库:是一个或一组数据库、数据仓库或其它类型的信息库, 可以对其进行数据清理和集成。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
