[發明專利]一種動態與靜態相似分析結合的累積效應識別方法

在審

• 申請號: 201710607067.5
• 申請日: 2017-07-24
• 公開（公告）號: CN107545032A
• 公開（公告）日: 2018-01-05
• 發明（設計）人: 黎燦兵;張迪;顏博文;楊函煜;周斌;汪鑫;曹一家
• 申請（專利權）人: 湖南大學;湖南大云信息科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 長沙思創聯合知識產權代理事務所(普通合伙)43215
• 代理人: 肖戰勝,俞航

技術領域

本發明屬于數據挖掘技術領域，特別涉及一種動態與靜態相似分析結合的累積效應識別方法。

背景技術

日常生活中的許多數據都是以時間序列的形式出現，作為一種常用的數據類型，時間序列客觀記錄了所觀測系統在各個時刻點的信息，相關研究方法已經在各類數據的分析中得到了廣泛使用。2013年中國正式開啟大數據時代，每個行業各種各樣的信息以及數據呈現爆炸式的增長，面對海量數據的處理，數據挖掘是一個必需的選擇。數據挖掘是一門綜合性的學科，它結合了其它基礎學科的重要理論，其主要功能是提取出隱藏在大量數據中有用的模式和規則，其核心工作是分析各種參數之間相互影響的規律。時間序列挖掘作為數據挖掘關鍵技術之一，通過對時間序列研究發現系統具有的特定規律及潛在特性，進而實現對系統的預測與調控。

在現有的時間序列分析中，往往認為影響因素對目標參數的影響是“瞬時性”的，同一時間節點下的因素僅僅影響此時的目標參數，將點對點意義上的相似性稱為數據間的“靜態相似性”，由此產生了對應的靜態時間序列相似性挖掘方法。然而，規律是時變的、動態的，某一相似的時間子序列的規律，并不能直接運用到研究的時間子序列，因素對目標參數的影響在很多情況下存在“累積效應”。累積效應即在時間尺度上某些因素對目標參數的影響存在時滯現象，即當前數據不僅受當前因素的影響，還受前一段時間因素的連續變化影響。

目前，學者們分析累積效應影響已經驗充足，但是累積效應的識別仍然停留在專家人工觀測的階段。對于參數變化不確定性大的研究對象，由于專家人工觀測法嚴重依賴研究專家的個人經驗，并需要消耗大量的時間與精力，才能確定累積效應的存在。此外，專家人工觀測法并不具備普適性。對于不同數據，專家人工法需要重新進行大量經驗的積累、觀測，才能識別累積效應的存在。

在未考慮累積效應的數據挖掘算法中，對于時間序列的處理采用靜態相似的算法，一般是從歷史數據中挖掘與目標參數以及其它影響變量相似的數據，這種方法沒有考慮數據之間存在的相關性，導致結果偏差較大。累積效應的本質是事物存在動態的規律變化特性，其轉變了原有的由靜態相似數據分析思維為動態相似數據分析思維，因此本發明提出一種動態與靜態相似相結合的累積效應識別方法。

發明內容

基于現有技術的不足，本專利提出一種動態與靜態相似分析結合的累積效應識別方法，可解決以上問題。定義一定時間長度序列間的相似性為數據間的“動態相似性”，動態相似概念下相似樣本選取將序列內部的變化規律也包含在內，保證信息挖掘過程中樣本選取的客觀完備性，如此可提高挖掘結果的準確性與可應用性。

動態相似法認為各因素與規律都是動態變化。該方法將相似樣本從“靜態相似樣本”改為“動態相似樣本”，本專利結合動態與靜態相似方法進行分析研究，從而定性定量識別各因素對目標參數的累積作用。具體包括以下內容：

一種動態與靜態相似分析結合的累積效應識別方法，該方法采用了動態相似的思想，以待研究時段及其前若干時段這一時間范圍內的樣本變化過程，即目標樣本變化過程為規律尋找對象，從待研究時段之前的時間序列中篩選出所有與目標樣本變化過程相似的某時段與該時段前若干時段的樣本變化過程，并對這些樣本變化過程進行數據處理，最后推斷出目標樣本變化過程。作為上述技術方案的進一步改進，針對時間序列中累積效應帶來的時滯問題，挑選相似樣本的方法結合挑選“靜態相似樣本”與“動態相似樣本”，通過對比靜態相似法和動態相似法分析結果，識別累積效應的存在。

作為上述技術方案的進一步改進，該方法的步驟包括：

1)選取對象：

選取研究對象及其相關因素時間子序列的長度；

2)確定指標：

利用動態相似的思想確定時間子序列相似度描述指標，并給出靜態相似度描述；

3)相似法實施：

分別采用上述靜態相似與動態相似指標，對于研究對象及其相關因素的時間子序列與完整序列進行分析與相關計算；

4)對比分析，識別規律：

根據采用靜態與動態相似法結合方法的理論與計算結果進行分析，挖掘研究對象時間序列是否存在累積效應的現象。

作為上述技術方案的進一步改進，所述步驟1)具體為：

1)產生時間子序列：