一种基于时间序列的计算机数据挖掘方法

摘要

本发明公开了一种基于时间序列的计算机数据挖掘方法，该计算机数据挖掘方法通过对输入样本集进行去噪、归一化处理，并对处理后的样本集进行相似矩阵构造，得到相似图的非规格拉普拉斯矩阵，再采用拉普拉斯特征映射算法得到特征向量空间，然后采用多簇特征选择得分选出相关系数最大的属性，最后输出需选择的特征数。该方法能够有效地处理数据量大、维度高的时间序列数据，能够高度还原原始数据和降维处理，化简了运算与处理，提高了数据挖掘的精度，便于高效地获取所需特征数据。

主权项

一种基于时间序列的计算机数据挖掘方法，其特征在于，该方法包括以下步骤：步骤1：输入给定样本集x，其中x＝{x₁,x₂,···,x_n}；步骤2：输入需选择的特征数m；步骤3：对输入样本集进行去噪、归一化处理；步骤4：对处理后的样本集进行相似矩阵M的构造，其相似矩阵M表示为：其中x_i,x_j为给定样本,M为相似矩阵，M₀为单位矩阵，为样本x_i和x_j之间的马氏距离；步骤5：计算得到相似图的非规格拉普拉斯矩阵S，其非规格拉普拉斯矩阵S表示为：S＝D‑M，其中S为非规格拉普拉斯矩阵，M为相似矩阵，D为对角矩阵，对角矩阵D的求取采用D_ii＝Σ_jM_ij进行求取；步骤6：采用拉普拉斯特征映射算法得到特征向量空间Y，其特征向量空间Y表示为：Y＝[Y₁,Y₂,...,Y_k]，其中，k为大于m小于n的常数；步骤7：采用多簇特征选择得分，选出m个相关系数最大的属性，其中多簇特征选择得分的定义为：F(j)＝a_j{Y→X},其中，a_j为特征向量空间Y中第j个特征逼近其原始数据X中对应数值的相关系数，F(j)为第j个特征的权重得分数，j为从1到k的常数；步骤8：输出m个需选择的特征数W，其特征数W表示为：W＝[W₁,W₂,...,W_m]。