时间序列数据一般是指随时间有序变化的数据,这些数据一般采用等时间间隔测量。如何充分有效地管理和利用好这些时间序列数据,并对其中隐藏的规律和知识进行挖掘,在工业界和学术界都受到了广泛关注。对时间序列进行分类是时间序列数据挖掘领域的主要任务之一。时间序列分类任务的输入是整个时间序列,分类的目的是给该序列赋予某个类别标号。由于时间序列数据所具有的海量性、高维度、高噪声等特点,时间序列分类比一般的分类问题要复杂,这使得一般的分类算法不能直接应用于时间序列的分类。近一二十年来,研究人员开发了很多算法用于时间序列的分类,本文基于这些研究成果,在时间序列的维度约简和分类方面做了相关的研究。本文主要完成了以下两个方面的工作:　　 1.利用离散余弦变换对时间序列进行维度约简。如何对时间序列进行维度约简是时间序列数据挖掘研究的基础问题。由于时间序列固有的高维度的特点,直接在原始时间序列上进行数据挖掘工作会引起“维度灾难”,因此通常情况下,在进行时间序列的数据挖掘前,首先要对时间序列进行维度约简。实际应用中已经开发出了离散傅里叶变换、离散小波变换、分段线性近似等方法用于对序列进行变换处理。这些约简方法大都具有一定的局限性,因此开发更加健壮的维度约简方法具有十分重要的意义。离散余弦变换作为一种实数域变换,克服了离散傅里叶变换中复数域变换的缺点,因此在数字信号处理、频谱分析、图形图像处理等领域得到了广泛的应用。本文采用离散余弦变换对原始时间序列进行维度约简,在约简后的数据上进行相似性搜索及分类工作。仿真实验结果表明,本文所采用的方法在多个指标上具有很好的表现,具有很好的相似性搜索及分类效果。　　 2.基于离散余弦变换的时间序列分类工作。利用离散余弦变换对时间序列进行了维度约简后,为进一步的分类工作奠定了基础。在对时间序列进行分类时,基于距离的分类方法是一种经典的也是十分常用的方法。K-近邻算法是一种理论上比较成熟的方法,而加权k-近邻算法作为k-近邻算法的一种改进,克服了k-近邻算法的一些不足,利用其进行分类时的分类正确率明显提高。本文采用基于欧几里德距离的加权k-近邻算法对利用离散余弦变换处理过的数据进行分类工作,基于该方法设计的仿真实验结果表明,利用该方法对时间序列进行分类时具有很好的分类正确率。　　 本文的研究成果表明,采用离散余弦变换可以有效地提取时间序列中的主要特征,达到维度约简的目的,在此基础上结合加权k-近邻算法进行的进一步的分类工作具有良好的表现,为进一步的研究工作奠定了基础。