[发明专利]一种针对时间序列数据的周期挖掘方法

说明书

本发明公开了一种针对时间序列数据的周期挖掘方法，包括如下步骤：S1、接收时间序列数据；S2、处理数据使之平稳；S3、ACF局部极大值窗口滑动覆盖；S4、一阶段bartlett筛选；S5、二阶段STL分解筛选；S6、判断窗口是否全覆盖；S7、输出结论。该针对时间序列数据的周期挖掘方法可以用来替代人工进行周期探索，节省分析人员的时间和精力，突破了传统周期挖掘方法的局限性，解决了传统方法无法应对的趋势特征数据，且无法同时顾及到局部和整体周期的问题，优化了结果输出，过滤了周期性强度并不突出的情况，保证了输出结论都是有显著周期特征的。

技术领域

本发明涉及数据挖掘技术领域，具体为一种针对时间序列数据的周期挖掘方法。

背景技术

企业数字化转型逐渐普及，随着时间的推移会产生大量时间序列数据。通过挖掘这些数据的周期规律特征，能够将大量复杂的数据变成可以应用的知识。现有的主流周期挖掘方法为传统自相关法和傅里叶变换法。

传统自相关法利用自相关系数，计算同一事件在两个不同时期之间的相关程度，根据自相关系数可以找出数据中的重复模式(如被噪声掩盖的周期信号)。但其只能适用于平稳时间序列数据，且不可以自动化挖掘周期，对 ACF图的识别还需人工加以判断。

傅里叶变换法是把时域信号变换到频域上，用多个正弦波来合成时域信号，找出信号幅度最大的正弦波的频率，作为函数的周期。但傅里叶变换同样存在只能适用于建立在平稳前提下的时间序列数据，且傅里叶变换不能刻画时序数据的局部特性，只能识别整体的大趋势周期特征。

发明内容

本发明的目的在于提供一种针对时间序列数据的周期挖掘方法，可以用来替代人工进行周期探索，节省分析人员的时间和精力，突破了传统周期挖掘方法的局限性，解决了传统方法无法应对的趋势特征数据，且无法同时顾及到局部和整体周期的问题，优化了结果输出，过滤了周期性强度并不突出的情况，保证了输出结论都是有显著周期特征的，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种针对时间序列数据的周期挖掘方法，包括如下步骤：

S1、接收时间序列数据；

S2、处理数据使之平稳；

S3、ACF局部极大值窗口滑动覆盖；

S4、一阶段bartlett筛选；

S5、二阶段STL分解筛选；

S6、判断窗口是否全覆盖；

S7、输出结论。

作为本发明的一种针对时间序列数据的周期挖掘方法优选的，所述S2中处理数据使之平稳具体为：依据原始数据做趋势特征提取，包括但不限于一元线性回归、移动平均等可以提取趋势特征的方法，极大程度地降低趋势特征对ACF图的负面影响。

作为本发明的一种针对时间序列数据的周期挖掘方法优选的，所述S3中 ACF局部极大值窗口滑动覆盖具体为：选择合适的极大值判断窗口，去寻找各阶ACF值中的局部极大值。

作为本发明的一种针对时间序列数据的周期挖掘方法优选的，窗口选取越大越能抓取到全局的周期，窗口选取越小越容易抓取到局部的周期。

作为本发明的一种针对时间序列数据的周期挖掘方法优选的，算法根据数据的长度从大到小选取窗口，将周期捕获能力覆盖至局部和全局。

作为本发明的一种针对时间序列数据的周期挖掘方法优选的，窗口选取规律为：

其中，在当前的实现中，α＝10，n为时序数据的长度，i＝0,1,2…。