在线检测序列模式是时间序列的一种重要分析方法,它在实时的时间序列中检测出与给定的示例模式相似的模式,并报告它们出现的位置。该方法是现实应用领域中对时间序列进行实时监管和控制的一项关键技术,它对故障诊断及修正、异常情况分析、证券市场投资中技术分析、人类动作分析、生命特征监控等领域来说具有非常重要的意义。这些巨大的应用前景使得该技术越来越成为当前时间序列数据挖掘领域中的一个研究热点。目前,大量在线检测序列模式方法已被提出,主要分为以下两大类:1)基于滑动窗口进行子序列匹配的,例如欧式距离、DTW距离等等;2)基于概率模型的,例如分段半马尔可夫模型。前者思想简单,容易实现,但时间复杂度高;后者建模较为复杂,但其效率高,在许多方面要比前一种方法优越。然而现有的分段半马尔可夫模型只能解决具有近似相同长度的模式检测问题,不允许模式在时间上存在缩放。在线检测在时间上(X轴)存在任意缩放的相似模式仍是一个具有挑战性的问题。 本文提出一种修正的分段半马尔可夫模型,它对现有的分段半马尔可夫模型做了以下两方面的修正:1)用每一段的偏移量分布来代替该段的观察值分布;2)为每一段引进该段两个端点间振幅(Y坐标)差值分布。同时给出了对示例模式建模、参数估计的方法,在此基础上把该模型应用到在线检测相似序列模式中来。我们在两套合成数据和两套实际数据中做了大量的实验来验证算法的性能。实验结果表明,该模型不仅能够快速检测出在时间上存在任意缩放的相似模式,而且具有较好的抗噪能力。