[发明专利]一种布尔型时间序列最大可满足性求解的方法和系统

说明书

本发明涉及一种布尔型时间序列最大可满足性求解的方法，包括：将与时间序列Y对应的布尔型时间序列集X生成真值表；生成关联表来记录该真值表中关联规则的频繁度；对该关联表进行筛选，得到该真值表的布尔逻辑结果；通过该布尔逻辑结果获得该时间序列集X与时间序列Y的最大可满足性表达式；本发明可以降低搜索整个布尔型时间序列的次数，可以大幅降低计算复杂度，特别是对于大规模时间序列而言显得更加必要，同时搜索完布尔型时间序列之后的处理也是线性的，即很少的计算时间。

技术领域

本发明涉及时间序列处理和数据挖掘领域，特别是涉及时间序列中的关联规则挖掘。

背景技术

时间序列作为一种重要的数据对象，来源于科学计算，金融，生物医学等领域，具有庞大数据规模，高维度，不断更新的特点。随着时间序列的作用越来越大，它正在得到越来越多的关注。时间序列之间的关联规则挖掘，是通过数据挖掘的方法来发现时间序列中的关联规则。近年来，随着时间序列的规模愈加庞大，对于时间序列之间的关联规则挖掘所需要的计算时间也长，特别是对于实时的时间序列之间的关联规则挖掘而言，计算时间的长度就会更加敏感，所以如何降低时间序列之间的关联规则挖掘的计算复杂度是一个亟待解决的问题。

相较于传统的由一系列实数组成的时间序列，布尔型时间序列是由一系列布尔值(0-1)组成的。挖掘布尔型时间序列之间关联规则的方法主要有Aproiri算法，FP-growth算法和基于它们的衍生算法。Aproiri算法是由Rakesh Agrawal提出的一种挖掘关联规则的算法，此算法通过搜索整个比尔时间序列间得到所有候选关联项的频繁度。对于待挖掘关联规则的时间序列集中时间序列数量是n的话，Aproiri算法需要搜索n遍整个时间序列集，用于存储候选关联项的存储空间复杂度是O(2n)。对于Aproiri的衍生算法(诸如TreeProjection Algorithm)而言，主要是从如何减少候选空间项或者改变候选空间项的搜索顺序进行优化，但是由于候选空间项这种形式，衍生算法仍然需要搜索整个时间序列集n遍。FP-growth算法是另一种主流的挖掘关联规则的算法，该算法通过扫描一遍整个布尔时间序列集来产生对应的树型数据结构(FP-tree，简称为FP树)来保存各个元素的频繁度，然后基于树在布尔时间序列集上再搜索一遍来得到带有频繁度的FP树，最后通过在FP树上的搜索来得到所需的关联规则频繁度。FP-growth算法的空间复杂度依赖于原始数据，通常FP-growth算法需要的存储规模要比Aproiri算法的候选关联项的总和要小，因为在生成FP树的过程中预先删去了不符合频繁度要求的那些候选关联项，但是在最糟糕的情况下，FP树的空间复杂度依然很大，并且要存储大量的FP树中的指针。

发明内容

针对上述问题，本发明提供一种基于真值表的对布尔型时间序列之间关联规则的挖掘方法及系统。

具体来说，本发明涉及一种布尔型时间序列最大可满足性求解的方法，其特征在于，包括：

步骤1，将与时间序列Y对应的布尔型时间序列集X生成真值表；

步骤2，生成单列的关联表来记录该真值表中关联规则的频繁度；

步骤3，对该关联表进行筛选，得到该真值表的布尔逻辑结果；

步骤4，通过该布尔逻辑结果获得该时间序列集X与该时间序列Y的最大可满足性表达式。

本发明所述的布尔型时间序列最大可满足性求解的方法，所述步骤1还包括：以该布尔型时间序列集X中的时间序列X_i作为该真值表中的一项输入，以使该真值表包含n个布尔变量；其中i、n为正整数，i≤n。

本发明所述的布尔型时间序列最大可满足性求解的方法，所述步骤2包括：以真值表中的每行对应一个该关联表中的关联项，该关联项存储其对应行内的0的数量和1的数量；搜索该真值表的每一条项目的值，在该项目所在行对应的关联项的中0的数量值或1的数量值累加权重值，遍历该真值表，以得到该关联表的结果。