[发明专利]一种基于模式关联分析的实值时间序列规则发现方法和装置

权利要求书

1.一种基于模式关联分析的实值时间序列规则发现方法，其特征在于，包括以下步骤：

1)针对一个或多个实数值的目标时间序列，利用主题发现技术从中自动提取多种长度的主题模式；

2)针对每一对主题模式，根据其在时间序列中出现的位置以及间隔，分析两者之间的配对关系；

3)根据一对主题模式的配对结果，对该对主题模式所构成的候选规则进行评分，并选择评分超过预设的阈值的候选规则作为规则。

2.如权利要求1所述的方法，其特征在于，步骤1)所述主题发现技术基于MK算法，提取主题模式的步骤包括：

1-1)给定主题模式长度参数m，用长为m的滑动窗口提取目标时间序列的全部子序列，选择其中一个子序列作为参考点，计算其他子序列到该子序列的z变换后的欧氏距离；

1-2)将得到的欧式距离按照从小到大排列，然后计算相邻两点的到参考点距离的差；按距离差从小到大的顺序计算相应两点的真实距离，并记录当前最小值，当该最小值小于当前待计算的两点相对距离的差时，停止计算，当前最小值所对应的两个子序列则是主题模式。

3.如权利要求2所述的方法，其特征在于，步骤1)在应用MK算法时，排除时间窗口相邻的子序列，其方法是：设置一个排除区间，该排除区间的长度是子序列长度的一半，即m/2，当两个子序列的起始位置之差小于m/2时，这两个子序列的真实距离记为正无穷。

4.如权利要求2所述的方法，其特征在于，步骤1)在应用MK算法之前，对不感兴趣的子序列进行过滤；通过度量子序列是否有意义来判断是否为感兴趣的子序列，度量子序列是否有意义的公式是：

其中Roughness(s)表示时间序列子序列s的曲折程度，曲线越曲折，该值越大；该公式假设时间序列所描述的对象没有事件发生时，感知信号是平坦的，而当有意义事件发生时，感知信号是曲折的。

5.如权利要求2所述的方法，其特征在于，步骤1)在应用MK算法时，一次只找到属于同一个主题中的最近的两个子序列，然后寻找其他同样属于该主题的子序列；找到同属于同一个主题的子序列之后，进一步寻找相同长度的其他主题的子序列。

6.如权利要求5所述的方法，其特征在于，所述寻找其他同样属于该主题的子序列的方法是：

给定一个范围参数R，R＞1，记两个已经找到的子序列为s₁,s₂，考虑满足如下公式中任意一个的子序列s：

遍历这些子序列，计算它们到s₁或s₂的真实距离，如果该距离满足以下公式，则将这些子序列加入该主题的子序列中，

7.如权利要求5所述的方法，其特征在于，所述寻找相同长度的其他主题的子序列，结合MK算法和过滤，当找到一个主题的全部子序列之后，将这些子序列过滤掉，然后对剩余子序列重新利用MK算法。

8.如权利要求1所述的方法，其特征在于，步骤2)通过计算以下两个优化问题来分析一对主题模式的配对关系，其中x_i,j是待关联的两个主题中第i个子序列和第j个子序列的关联关系，取值是1或0；1代表两者存在配对关系，0代表两者不存在配对关系；w_i,j为这两个子序列之间的时间间隔；

第一个优化问题：

x_i,j∈{0,1}；

第二个优化问题：

x_i,j∈{0,1}，

∑x_i,j＝p；

其中，第一个优化问题试图寻找尽可能多的配对数目，记求解该问题能够找到最多配对数目是p；然后求解第二个优化问题，该问题试图寻找配对个数是p时，平均时间间隔最小的配对情形。