时间序列相似性与预测算法研究及其应用 R( R2 ?/ T4 ?* C& j( u1 s
$ u4 Z1 [! M. h$ G' N' L" N' F z
时间序列分析广泛应用于各个领域,相似性研究是时间序列分析的基础,预测是时间序列分析中的重要问题。论文针对医学中的时间序列数据和轨道交通客流时间序列数据的相似性与预测问题,对四个问题进行了研究和讨论:脑卒中(脑中风)症状证候布尔时间序列的动态分析及预后判断;脑卒中脑电数据的特征分析及预后判断;脑卒中病灶位置及其脑电信号的特征分析;轨道交通客流数据的相似性及预测分析。论文的主要工作及创新点总结如下: ; S q7 z3 Q4 {% v1 Z4 T3 x4 E 一、针对脑卒中症状及证候布尔时间序列数据进行了分析,从中医的角度讨论了脑中风病症状及证候的布尔时间序列监测数据的特点,提出了面向布尔时间序列数据的关联规则挖掘算法,利用症状及证候数据的动态变化信息对患者的预后作出判断。 2 k& @& [+ [% k4 o. C' V2 x/ ]6 Y 二、针对脑卒中脑电时间序列数据进行了分析,从西方医学的角度讨论了正常脑电数据与异常脑中风病脑电数据的特点,提出了脑电时间序列信息的双侧对称度量指标,并以此提出了正常脑电与异常中风脑电的判别方法和脑中风病预后判别算法。 . O6 s# L- y8 P# w; L 三、针对量化的脑卒中脑电时间序列的病灶位置进行了进一步分析,讨论并对比了脑中风病脑电序列的多种特征,提出了脑中风病脑电时间序列病灶位置分区分析方法。9 F+ A6 U( u! t5 L
四、针对轨道交通客流时间序列数据进行了分析,主要讨论了轨道交通客流数据的类周期性特点,对已有的城市道路交通流时间序列相似性与预测方法进行改进,并应用于轨道交通客流数据分析,提出了基于相似模式的轨道交通客流长期预测算法。$ t: X! G1 R, W% r/ Y
1 f+ x- m, Q3 y 关键词:时间序列;相似性;预测;脑电;轨道交通;客流量: |5 f, a6 J7 O6 W& @; z