[发明专利]一种基于时序数据分段的多参数关联挖掘方法

说明书

本发明涉及一种基于时序数据分段的多参数关联挖掘方法，属于大数据处理领域。本发明对需要进行关联分析的参数进行初始化，并对时序数据进行解析，然后对数据进行趋势分段特征提取，得到每个分段特征内的量化结果，基于量化结果对关联关系进行计算，最后输出多参数关联挖掘结果。同时，本方法也支持专家知识以提高关联结果的准确性。本发明能提升计算性能，只需计算各个参数的分段趋势是否关联，极大提升了挖掘算法的速度；本发明基于趋势分段的参数关联挖掘算法，通过对段内趋势进行量化和计算，不需要设置阈值，提高了算法的通用性；本发明对于历史样本较少的情况也可以用本方法进行挖掘，可解决少样本无法进行多参数关联挖掘的问题。

技术领域

本发明属于大数据处理领域，具体涉及一种基于时序数据分段的多参数关联挖掘方法。

背景技术

现有技术严格按照时间段对传感器时序数据进行关联分析，需要对未分段数据进行计算和挖掘。与本方案最相近的现有技术包括Apriori方法FP-Growth方法等。

现有多参数关联挖掘的计算过程通常是：

1、对原始数据进行标准化预处理操作，以减少数据偏置、幅值缩放、线性趋势以及噪声对计算造成的影响；

2、设置关联阈值，利用滑动窗口操作，在多参数时间序列上进行频繁模式挖掘；

3、生成时序关联结果。

现有的多参数关联挖掘方法需要设置关联阈值，并利用滑动窗口的操作对原始数据进行特征提取，然后对同一窗口下的多参数的特征进行挖掘，由于多参数关联挖掘算法的应用场景的数据长度过长且不同参数数据长度不一致，因此在进行特征提取时计算量会大大增加，且对于不同场景的阈值无法做到统一降低了算法的通用性。

本方案对原始数据进行趋势分段，不需要进行滑动窗口操作，可大大减少计算量，且通过对趋势的量化和计算，避免设置关联阈值，增加了算法的通用性。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何提供一种基于时序数据分段的多参数关联挖掘方法，以解决现有的多参数关联挖掘算法的计算量大，且对于不同场景的阈值无法做到统一降低了算法的通用性的问题。

(二)技术方案

为了解决上述技术问题，本发明提出一种基于时序数据分段的多参数关联挖掘方法，该方法包括如下步骤：

针对传感器获得的参数，通过设置固定步长以降采样方式提取patch作为局部的数据点，在传感器获得的参数D_i(t)上定义一个patch集合P_i＝{P_i,1,P_i,2,…,P_i,n}，P_i,l表示一个patch中的时序数据集，其中n表示patch的个数，计算每个patch的特征值，计算出patch特征值后进行趋势转折点提取；

根据趋势转折点得到若干个分段，记为：S_i＝{S_i,1,S_i,2,…,S_i,K_i}，其中K_i为参数D_i(t)的分段数，用S_i,k来表示每个段内特征，其中S_i,k＝{Loc_i,k,Trend_i,k,Fit_i,k}；通过量化后的S_i,k对段内数据提取相关特征指标：Loc_i,k,Trend_i,k和Fit_i,k；

Loc_i,k表示参数D_i(t)的第k个分段特征的起止位置以及对应的偏移；