基于EMD方法的时间序列分层相似性匹配算法.pdfVIP

， （ ） 129 Computer Engineering and Applications 计算机工程与应用 2008 44 34 ◎数据库 信号与信息处理◎ 、 基于EMD 方法的时间序列分层相似性匹配算法 郭艳琴，贾素玲 ， GUO Yan-qin JIA Su-ling 北京航空航天大学 经济管理学院，北京 100083 Department of Economics and Management ，Beihang University ，Beijing 100083 ，China E-mail ：guoyanqin@ GUO Yan-qin ，JIA Su-ling.Hierarchical algorithm for time series similar pattern matching based on EMD.Computer En－ gineering and Applications ，2008 ，44 （34）：129-131. Abstract ：Data mining of time series is an important part of DM （Data Mining）.This article first extracts the trend information from financial series using EMD method which is applicable for non-stationary and non-linear time series.Then the hierarchical algorithm for time series similar pattern matching is proposed based on the result of trend extraction which improves the effec－ tiveness of similar pattern matching and decreases the redundancy. Key words ：Empirical Mode Decomposition （EMD）；trend extraction ；similar pattern matching time series 摘 要：时间序列数据挖掘是时态数据挖掘的一个重要方面，针对金融时间序列非稳定、非线性的特点，使用EMD 方法进行序列 趋势的提取，得到了原始时间序列的长期趋势。在此基础上提出了子序列分层匹配算法，首先进行时间序列趋势的粗匹配，在结果 集中进一步进行细节匹配，与传统方法相比，提高了相似性匹配的效率，减少了结果集的冗余。 关键词：经验模式分解；趋势提取；时间序列相似性匹配 DOI ：10.3778/j.issn.1002-8331.2008.34.040 文章编号：１００２－８３３１ （２００8）34-0129-03 文献标识码：Ａ 中图分类号：TP311 1 引言 有的用户则需要关注较短时间内金融数据的变化规律，以应对 时态数据挖掘（Temporal Data Ming ，TDM）是数据挖掘 金融市场的瞬息万变。 （Data Mining ，DM）的一个重要延展，区别于传统的只针对静态 EMD 方法（经验模式分解）是近年来美籍华人科学家Nor－ 数据的数据挖掘，TDM 增加了对数据时间维度的研究，因此它 den．E．Huang 提出的一种新的时间序列信号分析方法，它根据 不仅可以简单地陈述、推断上下文或者时态接近程度之间的关 信号自身的特征时间尺度将信号分解为若干本征模函数（In－ [1] trinsic Mode Function ，IMF）及一个余项的线性和。EMD 是自适 系，更有挖掘一种活动的能力 。 相似性问题是时间序列数据挖掘中的首要问题，它的解决 应的，故其分解非常有效，尤其适用于非线性和非平稳过程分