[发明专利]一种动态与静态相似分析结合的累积效应识别方法

说明书

技术领域

本发明属于数据挖掘技术领域，特别涉及一种动态与静态相似分析结合的累积效应识别方法。

背景技术

日常生活中的许多数据都是以时间序列的形式出现，作为一种常用的数据类型，时间序列客观记录了所观测系统在各个时刻点的信息，相关研究方法已经在各类数据的分析中得到了广泛使用。2013年中国正式开启大数据时代，每个行业各种各样的信息以及数据呈现爆炸式的增长，面对海量数据的处理，数据挖掘是一个必需的选择。数据挖掘是一门综合性的学科，它结合了其它基础学科的重要理论，其主要功能是提取出隐藏在大量数据中有用的模式和规则，其核心工作是分析各种参数之间相互影响的规律。时间序列挖掘作为数据挖掘关键技术之一，通过对时间序列研究发现系统具有的特定规律及潜在特性，进而实现对系统的预测与调控。

在现有的时间序列分析中，往往认为影响因素对目标参数的影响是“瞬时性”的，同一时间节点下的因素仅仅影响此时的目标参数，将点对点意义上的相似性称为数据间的“静态相似性”，由此产生了对应的静态时间序列相似性挖掘方法。然而，规律是时变的、动态的，某一相似的时间子序列的规律，并不能直接运用到研究的时间子序列，因素对目标参数的影响在很多情况下存在“累积效应”。累积效应即在时间尺度上某些因素对目标参数的影响存在时滞现象，即当前数据不仅受当前因素的影响，还受前一段时间因素的连续变化影响。

目前，学者们分析累积效应影响已经验充足，但是累积效应的识别仍然停留在专家人工观测的阶段。对于参数变化不确定性大的研究对象，由于专家人工观测法严重依赖研究专家的个人经验，并需要消耗大量的时间与精力，才能确定累积效应的存在。此外，专家人工观测法并不具备普适性。对于不同数据，专家人工法需要重新进行大量经验的积累、观测，才能识别累积效应的存在。

在未考虑累积效应的数据挖掘算法中，对于时间序列的处理采用静态相似的算法，一般是从历史数据中挖掘与目标参数以及其它影响变量相似的数据，这种方法没有考虑数据之间存在的相关性，导致结果偏差较大。累积效应的本质是事物存在动态的规律变化特性，其转变了原有的由静态相似数据分析思维为动态相似数据分析思维，因此本发明提出一种动态与静态相似相结合的累积效应识别方法。

发明内容

基于现有技术的不足，本专利提出一种动态与静态相似分析结合的累积效应识别方法，可解决以上问题。定义一定时间长度序列间的相似性为数据间的“动态相似性”，动态相似概念下相似样本选取将序列内部的变化规律也包含在内，保证信息挖掘过程中样本选取的客观完备性，如此可提高挖掘结果的准确性与可应用性。

动态相似法认为各因素与规律都是动态变化。该方法将相似样本从“静态相似样本”改为“动态相似样本”，本专利结合动态与静态相似方法进行分析研究，从而定性定量识别各因素对目标参数的累积作用。具体包括以下内容：

一种动态与静态相似分析结合的累积效应识别方法，该方法采用了动态相似的思想，以待研究时段及其前若干时段这一时间范围内的样本变化过程，即目标样本变化过程为规律寻找对象，从待研究时段之前的时间序列中筛选出所有与目标样本变化过程相似的某时段与该时段前若干时段的样本变化过程，并对这些样本变化过程进行数据处理，最后推断出目标样本变化过程。作为上述技术方案的进一步改进，针对时间序列中累积效应带来的时滞问题，挑选相似样本的方法结合挑选“静态相似样本”与“动态相似样本”，通过对比静态相似法和动态相似法分析结果，识别累积效应的存在。

作为上述技术方案的进一步改进，该方法的步骤包括：

1)选取对象：

选取研究对象及其相关因素时间子序列的长度；

2)确定指标：

利用动态相似的思想确定时间子序列相似度描述指标，并给出静态相似度描述；

3)相似法实施：

分别采用上述静态相似与动态相似指标，对于研究对象及其相关因素的时间子序列与完整序列进行分析与相关计算；

4)对比分析，识别规律：

根据采用静态与动态相似法结合方法的理论与计算结果进行分析，挖掘研究对象时间序列是否存在累积效应的现象。

作为上述技术方案的进一步改进，所述步骤1)具体为：

1)产生时间子序列：