[发明专利]保序序列模式挖掘方法

说明书

本发明保序序列模式挖掘方法，涉及电数字数据处理技术领域，该方法利用模式融合方法生成候选模式，减少了候选模式的个数、通过一系列转换和验证步骤来计算候选模式的模式支持度，克服了现有的技术针对从时间序列中挖掘频繁模式，存在很难兼顾求解的准确性、一般性和完备性，很难保证在对时间序列处理时重要信息不被丢失，很难通过挖掘频繁模式来对关键趋势进行分析的缺陷。

技术领域

本发明的技术方案涉及电数字数据处理技术领域，具体地说是保序序列模式挖掘方法。

背景技术

序列模式挖掘已成为数据挖掘中的重要任务之一，它在序列分析、分类和预测等方面都有广泛的应用，其任务是在海量的序列数据中发现频繁出现的模式。目前序列数据通常分为两种：字符序列和时间序列。常见的字符序列有DNA序列、蛋白质序列等，挖掘其中的频繁模式可以帮助人们解决生物学中的问题；时间序列是随时间推移进行测量记录的数值型数据，如每日的股价、石油的产量、每日的温度等都是常见的时间序列，单纯关注其数值的大小意义不大，人们对于数据所呈现的趋势更感兴趣，例如，在股市中，分析师可能想知道一个公司的股价是否存在连续10天下跌然后在接下来的5天内上涨的时期，在这种情况下，股价的变化模式比股价价格的实际价值更有意义。故从时间序列中发现频繁发生的趋势，将帮助人们了解事情发展规律，为人们预测和决策提供理论依据。

频繁模式是指模式支持度≥最小支持度阈值minsup的模式，即模式在数据集中的出现数≥最小支持度阈值minsup。目前已经提出很多针对字符序列的频繁模式挖掘方法，然而它们却不能直接运用到时间序列挖掘中，因为时间序列具有高维性、连续性、数据量大等显著特点，在时间序列挖掘前，通常需要对时间序列进行一步预处理，使数值型数据转换为其他域的数据。常用的方法是将时间序列符号化处理，如常用的SAX方法，将时间序列的数值型数据转换为字符数据后再进行挖掘，但是此预处理步骤存在的缺陷是：它需要人为设定参数，过程中容易丢失一些重要信息，并且一定程度上破坏了时间序列的连续性。以SAX方法为例，它会使得不同趋势的两条时间序列符号化后得到相同的字符序列，如说明书附图的图1的(a)和(b)显示，两段趋势差异显著的时间序列，采用SAX进行符号化后，均被符号化为了“beccde”，这对于时间序列的趋势分析十分不利，故需要更完备的挖掘方法。

保序的概念为时间序列的趋势分析提供了新的思路，目前已被运用在保序匹配问题上，该思路是在人们感兴趣的领域中寻找受相对顺序影响，而不是受它们的绝对值影响的模式，当子序列与给定模式的相对顺序相同时则代表匹配成功。下例A对相对顺序概念和保序序列模式匹配问题进行了详细说明。

例A.给定时间序列S＝(s₁,s₂,s₃,s₄,s₅,s₆,s₇,s₈,s₉,s₁₀,s₁₁,s₁₂,s₁₃,s₁₄,s₁₅,s₁₆,s₁₇)＝(9,12,11,17,16,21,14,18,15,19,21,19,26,18,25,26,27)，模式P＝(p₁,p₂,p₃,p₄,p₅)＝(6,5,8,4,7)。