时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列,在经济、金融、科学观测和工程等各个领域都广泛存在。如何有效地管理和利用这些历史时间序列,发现这些数据背后隐含的规律和知识,是人们广泛关注的问题。与传统时间序列分析提出假设然后进行验证的数据处理方法不同,时间序列数据挖掘适合发现型任务,能够从大量历史数据中挖掘出潜在的、未知的、有价值的知识,已经吸引了越来越多的关注。 目前,时间序列数据挖掘主要包括相似性查询、序列挖掘、分类、聚类以及异常检测。论文主要研究了相似性查询与异常检测,包括时间序列的模式表示、相似性度量、索引和查询、异常定义和检测,主要的研究内容和研究成果简单介绍如下: (1) 时间序列的模式表示 由于时间序列数据的海量和复杂数据特点,直接在时间序列上进行数据挖掘不但在储存和计算上要花费高昂代价而且可能会影响算法的准确性和可靠性。时间序列的模式表示是一种对时间序列进行抽象和概括的特征表示方法,是在更高层次上对时间序列的重新描述。论文首次将边缘算子引入时间序列研究,提出了基于时态边缘算子的分段线性表示方法(简称为TEO表示)。TEO表示简单直观,具有数据压缩和除噪能力。在不同领域的时间序列数据集上的实验表明:与其它几种分段线性表示相比,TEO表示与原始时间序列之间的拟合误差更小,具有很强的适应性,能够应用于不同的数据特征环境。 (2) 时间序列的相似性度量 欧几里德距离和动态时间弯曲距离是时间序列数据挖掘中主要采用的两种相似性度量。但是欧几里德距离不支持时间序列的线性漂移和时间弯曲,动态时间弯曲距离则因为平方阶的时间复杂度无法得到广泛的应用。论文在时间序列的模式表示基础上,提出了动态模式匹配距离(简称为DPM距离),DPM距离支持时间序列的时间弯曲,时间复杂度随着模式长度的增长而接近线性。在仿真数据集和人脸图像识别数据集上的实验表明:采用DPM距离的Knn方法在分类准确