多变量时间序列数据广泛存在于金融、多媒体、医学等领域,随着时间推移,这类数据的存储规模呈现爆炸式地增长。因此,如何有效地管理和利用这些历史数据,挖掘其内在的各种变化模式,是一个挑战性的、具有重要意义的理论和实际应用课题。该课题的研究对于我们正确认识事物变化、科学进行决策、识别各种异常行为等具有重要的指导意义。本文在分析多变量时间序列数据特点和实际应用需求的基础上,针对多变量时间序列的聚类分析、相似查询和异常检测等技术进行了研究。主要研究成果简单介绍如下:1.多变量时间序列模式表示首先提出了一种基于主成分分析的多变量时间序列模式表示方法。在实际问题的研究中,为了全面、系统地分析问题,往往要考虑众多有关变量,该方法用为数较少的、互不相关的新变量来反映原变量所提供的大部分信息,通过对新变量的分析达到解决问题的目的。2.多变量时间序列聚类分析提出一种高效的多变量时间序列聚类算法PCA-CLUSTER。已有的聚类算法大多采用k均值对低维数据进行聚类,不能对高维多变量时间序列数据进行有效聚类。首先利用主成分分析对多变量时间序列数据降维,然后通过改进K-means算法对选取的多变量时间序列的主成分进行有效聚类分析。3.多变量时间序列相似性查询提出了一种基于距离的索引结构相似查询算法Dbis。为了高效地执行多变量时间序列相似查询,在Eros相似距离度量的基础上,选择聚类质心作为参考点;依据参考点将每类变换到一维空间,利用B+-tree结构进行索引查询,实验表明查询效率和准确性都有比较大的提高。4.多变量时间序列异常检测提出了一种基于密度的多变量时间序列异常检测算法。在多变量时间序列中与其它序列显著不同的序列,称为异常序列。在k-近邻局部异常检测算法的基础上,结合基于主成分分析的降维方法,可以高效检测多变量时间序列的异常。