[发明专利]一种土体温度模式预测方法

说明书

本发明公开了一种土体温度模式预测方法，包括三个阶段，首先对每一个条件变量及决策变量所形成的时间序列寻找候选兴趣模式集，分别对每个候选兴趣模式集进行聚类；其次，产生条件变量与决策变量之间的预测；最后将待测数据的条件变量执行阶段一获得的兴趣模式去匹配阶段二的预测规则，若满足预测规则的前件，则输出决策变量的预测结果。本发明的多元时序数据的模式预测方法计算量小，有效的减小模式预测中的时间复杂度，解决了传统方法中时间复杂度过高的问题。

技术领域

本发明属于计算机领域，特别涉及计算机中的数据挖掘领域，具体涉及一种多元时序数据的模式预测方法。

背景技术

时序预测在天气预报，股票等领域是一个非常重要的研究方向。在时序预测中一个最重要的方法就是能够根据一些变量的趋势去预测其他变量的行为，这就叫做多元时序预测。例如，如果我们认为两个变量相关，那我们可能想知道例如在天气预报中温度增加了10％是否影响了湿度的趋势。

在多元预测中，我们可以将主要的一些方法分成数学和人工的方法。数学方法中如ARIMA(Autoregressive integrated Moving Average Model，将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型)或者指数平滑算法在处理真实世界中的非线性无规律数据时均不可靠。人工神经网络、支持向量机和K近邻都是一些应用于时间序列预测的机器学习方法。然而由于很多的时间变量会随着时间平移和伸缩，这些传统的方法就会失效。为了解决这个问题，一个解决方案就是考虑一个序列的行为而不是考虑一个变量值。例如一些方法在时间序列分析中进行模式预测。这些方法都假定一种对数据表示然后尽力去寻找最频繁的模式。然而，这些解决方案存在的主要问题是：这些方法中数据表示并没有降低数据维数尤其是高维数据，而且他们还必须去用例如聚类的方法处理数据导致时间复杂度提高；另外一个问题是他们的研究没有能力解释输出规则和关系，因此时间复杂度的减小和解释输出规则和关系需要得要有效的解决。

发明内容

针对现有技术的缺陷和不足，本发明的目的是提供一种多元时序数据的模式预测方法，解决现有的数据处理方法时间复杂度高的问题。

为了实现上述目的，本发明采用如下技术方案予以实现：

一种多元时序数据的模式预测方法，包括以下步骤：

阶段一：对每一个条件变量及决策变量所形成的时间序列寻找候选兴趣模式集，分别对每个候选兴趣模式集进行聚类；

步骤1：寻找候选兴趣模式集；

步骤1.1：寻找可用初始子序列

对于时间序列S＝{s₁,…,s_l}，从s₁开始依次寻找斜率m₁≠0的两个相邻时间序列值，将首次寻找到的两个相邻时间序列值作为初始子序列S_i＝{s_i,s_i+1}，其中，i＝1，2，…，l-1，l为时间序列的长度，斜率m₁的计算公式为：

步骤1.2：计算相邻时间序列值的斜率

给可用初始子序列增加下一个s_i+2，计算s_i+2和s_i+1的斜率m₂；

步骤1.3：获取兴趣模式

如果m₂不等于m₁，得到兴趣模式p_α＝{s_i,s_i+1,s_i+2}；