[发明专利]一种土体温度模式预测方法

权利要求书

1.一种土体温度模式预测方法，其特征在于，包括以下步骤：

阶段一：寻找空气温度候选兴趣模式集并对空气温度候选兴趣模式集进行聚类；

步骤1.1：寻找空气温度候选兴趣模式集；

步骤1.1.1：寻找可用空气温度初始子序列

对于空气温度时间序列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空气温度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，s_i表示第i个时间点的空气温度；斜率m₁的计算公式为：

步骤1.1.2：计算相邻空气温度时间序列值的斜率

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1.1.3：获取空气温度兴趣模式

如果m₂不等于m₁，得到空气温度兴趣模式p_α＝{s_i,s_i+1,s_i+2}；

如果m₂等于m₁，继续步骤1.1.2，直到m_k不等于m₁为止，得到空气温度兴趣模式p_α＝{s_i,s_i+1,…,s_i+k}，其中，m_k为s_i+k和s_i+k-1的斜率，k＝1，2，…，l-2；

步骤1.1.4获取候选空气温度兴趣模式集

对于空气温度时间序列S＝{s₁,…,s_l}，从兴趣模式p_α的最后一个时间序列值开始，重复步骤1.1.1至步骤1.1.3，直到找到整个空气温度时间序列S＝{s₁,…,s_l}中所有的兴趣模式，形成候选兴趣模式集P_c＝{p₁,p₂,…,p_α,…,p_β,…,p_n}；

步骤1.2：空气温度候选兴趣模式集聚类；

步骤1.2.1：利用以下剪枝规则①和剪枝规则②给满足规则条件的模式距离值赋为无穷大；

剪枝规则①：如果候选空气温度兴趣模式集P_c中的任意两个兴趣模式p_α,p_β没有同时出现在区域宽度为w_s的同一区域中，将距离矩阵D中的D_αβ赋为无穷大；其中，w_s是用户指定的参数，D为兴趣模式的距离矩阵，

D_αβ＝d_αβ(p_α,p_β)，d_αβ为p_α和p_β的欧几里德距离；

剪枝规则②：如果空气温度兴趣模式p_α的斜率为负，且空气温度兴趣模式p_β的斜率为正，将距离矩阵D中的D_αβ赋为无穷大；

步骤1.2.2：计算距离矩阵中D_αβ为非无穷大的元素的距离，并赋值到距离矩阵中相应的位置；

步骤1.2.3：比较d_αβ(p_α,p_β)和用户指定的d_min之间的大小，若d_αβ≤d_min，从空气温度P_c中删除空气温度p_α、空气温度p_β两个兴趣模式中时间序列值的个数较小的兴趣模式，最终得到新的空气温度兴趣模式集P；

其中，d_min取相邻两个空气温度时间序列值之间的欧几里德距离最小值和最大值之间的某个值，具体由用户指定；

阶段二：寻找土体温度候选兴趣模式集并对土体温度候选兴趣模式集进行聚类；

步骤2.1：寻找土体温度候选兴趣模式集；

步骤2.1.1：寻找可用土体温度初始子序列

对于土体温度时间序列S′＝{s′₁,…,s′_l}，从s′₁开始依次寻找斜率m′₁≠0的两个相邻时间序列值，将首次寻找到的两个相邻土体温度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，s′_i表示第i个时间点的土体温度；斜率m′₁的计算公式为：

步骤2.1.2：计算相邻土体温度时间序列值的斜率

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m′₂；

步骤2.1.3：获取土体温度兴趣模式

如果m′₂不等于m′₁，得到土体温度兴趣模式p′_α＝{s′_i,s′_i+1,s′_i+2}；

如果m′₂等于m′₁，继续步骤2.1.2，直到m′_k不等于m′₁为止，得到土体温度兴趣模式p′_α＝{s′_i,s′_i+1,…,s′_i+k}，其中，m′_k为s′_i+k和s′_i+k-1的斜率，k＝1，2，…，l-2；

步骤2.1.4获取候选土体温度兴趣模式集

对于土体温度时间序列S′＝{s′₁,…,s′_l}，从兴趣模式p′_α的最后一个时间序列值开始，重复步骤2.1.1至步骤2.1.3，直到找到整个土体温度时间序列S′＝{s′₁,…,s′_l}中所有的兴趣模式，形成候选兴趣模式集P′_c＝{p′₁,p′₂,…,p′_α,…,p′_β,…,p′_n}；

步骤2.2：土体温度候选兴趣模式集聚类；

步骤2.2.1：利用以下剪枝规则①和剪枝规则②给满足规则条件的模式距离值赋为无穷大；

剪枝规则①：如果候选土体温度兴趣模式集P′_c中的任意两个兴趣模式p′_α,p′_β没有同时出现在区域宽度为w′_s的同一区域中，将距离矩阵D′中的D′_αβ赋为无穷大；其中，w′_s是用户指定的参数，D′为兴趣模式的距离矩阵，

D′_αβ＝d′_αβ(p′_α,p′_β)，d′_αβ为p′_α和p′_β的欧几里德距离；

剪枝规则②：如果土体温度兴趣模式p′_α的斜率为负，且土体温度兴趣模式p′_β的斜率为正，将距离矩阵D′中的D′_αβ赋为无穷大；

步骤2.2.2：计算距离矩阵中D′_αβ为非无穷大的元素的距离，并赋值到距离矩阵中相应的位置；

步骤2.2.3：比较d′_αβ(p′_α,p′_β)和用户指定的d′_min之间的大小，若d′_αβ≤d′_min，从土体温度P′_c中删除土体温度p′_α、土体温度p′_β两个兴趣模式中时间序列值的个数较小的兴趣模式，最终得到新的土体温度兴趣模式集P′；

其中，d′_min取相邻两个土体温度时间序列值之间的欧几里德距离最小值和最大值之间的某个值，具体由用户指定；

阶段三：产生预测规则

步骤3：用Apriori算法计算关联规则

合并每个空气温度时间变量的兴趣模式集P和土体温度时间变量的兴趣模式集P′得到P_all，利用Apriori算法对P_all中的兴趣模式进行关联规则挖掘，获取不同时间变量间的多个关联规则；

步骤4：生成预测规则

①把m(p_vM)＝m(p′)＝1的多个关联规则合并形成如下的预测规则：

A₁≤V(p_v1)≤B₁，且A₂≤V(p_v2)≤B₂，…，且A_j≤V(p_vj)≤B_j，…，且A_λ≤V(p_vλ)≤B_λ，则C₁≤V(p′)≤C₂，并且延迟ΔT₁个单位时间；

其中，p_vj是空气温度的兴趣模式，j＝1,2,…,λ，λ≥1，λ为条件变量的个数，p′是土体温度的兴趣模式；

m(p_vM)是s_L和s₁之间的斜率，m(p_vM)＝sgn(s_L-s₁)，p_vM是空气温度变量中对土体温度变量影响最大的兴趣模式，s_L是p_vM中最后一个空气温度值，s₁是p_vM中第一个空气温度值；m(p′)是s′_L和s′₁之间的斜率，s′_L代表p′中最后一个土体温度值，s′₁代表p′中第一个土体温度值；

A_j和B_j分别是m(p_vM)＝m(p′)＝1的兴趣模式关联规则中V(p_vj)的最小值和最大值，C₁和C₂分别是m(p_vM)＝m(p′)＝1的兴趣模式关联规则中V(p′)的最小值和最大值，A_j、B_j、C₁和C₂均是正数；

V(p_vj)是空气温度中兴趣模式p_vj的变化量，V(p′)是土体温度中兴趣模式p′的变化量，

V(p_vj)＝(max(p_vj)-min(p_vj))×m(p_vj)

V(p′)＝(max(p′)-min(p′))×m(p′)

max(p_vj)和min(p_vj)分别表示兴趣模式p_vj的最大空气温度时间序列值和最小空气温度时间序列值；

时延ΔT₁＝max(Δ(r_g))，Δ(r_g)＝I_pvM-I_p′，I_pvM是p_vM的起始时间值，I_p′是p′的起始时间值；

②把m(p_vM)＝m(p′)＝-1的多个关联规则合并形成如下的预测规则：

E₁≤V(p_v1)≤F₁，且E₂≤V(p_v2)≤F₂，…，且E_j≤V(p_vj)≤F_j，…，且E_η≤V(p_vη)≤F_η，则G₁≤V(p′)≤G₂，并且延迟ΔT₂个单位时间；

其中，E_j和F_j分别是m(p_vM)＝m(p′)＝-1的兴趣模式关联规则中V(p_j)的最小值和最大值，j＝1,2,…,η，η≥1，η为条件变量的个数，G₁和G₂分别是m(p_vM)＝m(p′)＝-1的兴趣模式关联规则中V(p′)的最小值和最大值；E_j、F_j、G₁和G₂均是负数，j为自然数；ΔT₂＝max(Δ(r_g))；

阶段四：将土遗址检测区域的空气温度输入至阶段一中获得的兴趣模式去匹配阶段三的预测规则，若满足预测规则的条件，输出土体温度模式。

2.如权利要求1所述的土体温度模式预测方法，其特征在于：所述的步骤1.2中候选兴趣模式集聚类方法可以用如下方法替换：

步骤1.2.1：利用R-tree构建候选模式集中的每个模式的MBR，形成模式的数据结构，得到模式的索引；

步骤1.2.2：对R-tree数据结构中的每个孩子节点i和j，利用以下剪枝规则1和规则2给满足规则条件的模式距离值赋为无穷大；

剪枝规则①：如果两个空气温度兴趣模式p_α,p_β没有同时出现在区域宽度为w_s的同一区域中，将距离矩阵中的D_αβ赋为无穷大；其中，w_s是用户指定的参数，D为兴趣模式的距离矩阵，

D_αβ＝d_αβ(p_α,p_β)，d_αβ为p_α和p_β的欧几里德距离；

剪枝规则②：如果空气温度兴趣模式p_α的斜率为负，且兴趣模式p_β的斜率为正，将距离矩阵D中的D_αβ赋为无穷大；

步骤1.2.3：距离矩阵D中D_αβ为非无穷大的元素按照欧几里德距离进行计算，并赋值到距离矩阵中相应的位置；

步骤1.2.4：比较d_αβ(p_α,p_β)和用户指定的d_min之间的大小，若d_αβ≤d_min，从P_c中删除p_α和p_β两个空气温度兴趣模式中时间序列的个数较小的兴趣模式，最终得到新的兴趣模式集P；其中，d_min取相邻两个空气温度时间序列之间的欧几里德距离最小值和最大值之间的某个值，具体由用户指定。