论文部分内容阅读
在当今大数据时代,个体样本数据不再是关注的焦点,而对数据的理解和认知要远比个体样本数据重要。传统的时间序列建模方法由于(1)其建模过程过分依赖于个体样本数据使得所构建的模型缺乏“可解释性”;(2)所构建的模型是以追求“数值”层面的“精确性”为目标,然而在大数据环境下,模型的精确性不是绝对必要的;(3)所构建的模型的输出是单一的数值数据,这在大数据环境下很难为用户所理解和认知,因而,它已不能完全满足当今大数据时代背景下的时间序列分析和建模的实际应用需要。作为当前计算智能领域新兴的、发展最快的信息处理范式之一,“粒计算”具有揭示人类处理复杂信息的粒化认知机理的能力,它能够将具有不同理论基础的形式体系(如集合论、模糊集、粗糙集等)联系到一起,形成一个统一的表示、描述、计算和处理信息粒的平台,这有可能诞生新的计算智能理论与方法。在这一背景下,本文从模拟人类处理复杂信息问题的粒化认知机理出发,借鉴模糊集理论思想和建模方法,紧紧围绕基于粒计算的时间序列分析和建模的三个核心问题——时间序列的合理信息粒化、基于信息粒化的时间序列分析与解释和基于信息粒化的时间序列建模,开展了研究,获得的主要研究成果包括:(1)针对在时间序列信息粒化过程中,传统的信息粒化方法只能对时间窗口上的数据在单一信息粒度水平下进行信息粒化,这可能导致产生的信息粒无法捕获相应数据的本质特征这一问题,提出了时间序列的多粒度区间信息粒化方法。所提出的粒化方法能够在区间形式体系下,通过引入信息粒的合理性和特殊性概念,将时间序列在相应时间窗口上信息粒的合理构造问题转换为一个受变量α∈[0,1]约束的区间信息粒边界的优化问题,而变量a则代表了对时间序列相应时间窗口上的数据进行信息粒化时所使用的信息粒度水平。通过在不同的α取值下,对该优化问题进行求解,来诱导相应α信息粒度水平下的区间信息粒,即可实现对时间序列同一时间窗口上所呈现数据的多粒度信息粒化。使用提出的多粒度区间信息粒化方法粒化数据时,将产生一系列嵌套的区间信息粒,它们能够被看成一个整体,即区间套信息粒,它代表了时间序列相应时间窗口上所呈现的数据在不同信息粒度水平下进行区间信息粒化的结果。(2)针对时间序列的粒化分析与解释问题,提出了一种粒特征空间中具有“嵌套”矩形几何结构的“矩形套信息粒”的聚类方法。该方法从几何角度,揭示了在粒特征空间中,由时间序列的幅值和它的一阶差分序列分别经过“多粒度区间信息粒化”所形成的“矩形套信息粒”的结构特征和它的表示方法,并借鉴模糊C-均值聚类的方法,利用矩形套信息粒的可分解和可合成特性,实现了对粒特征空间中与时间窗口相关的矩形套信息粒的聚类。更进一步,考虑在粒特征空间中所形成的粒原型蕴含着描述时间序列在相应时间窗口上所呈现数据动态特征的语义,这样,可通过计算粒特征空间中与时间窗口相关的矩形套信息粒同这些粒原型之间的匹配程度来实现基于信息粒化的时间序列分析与解释。多组时间序列数据集上的实验结果表明,基于提出的矩形套信息粒的聚类方法去分析和解释时间序列与人从粒化认知机理出发去分析时间序列所获得的结果完全一致。(3)提出了基于多粒度区间信息粒化的时间序列层次化建模方法和两个时间序列粒模型性能评价指标,实现了时间序列的粒化建模。所提出的粒化建模方法从人类处理复杂信息问题的粒化认知机理出发,在考虑时间序列的幅值和它的一阶差分序列的基础上,充分借鉴了模糊建模的基本思想,通过“多粒度区间信息粒化”来压缩时间序列规模,并将原始时间序列转换为粒时间序列;通过对粒特征空间中的矩形套信息粒进行聚类来获得用于描述时间序列在相应时间窗口上所呈现数据动态特征的语义描述,从而将领域知识融入到建模过程中;通过挖掘时间序列相应时间窗口在粒特征空间中形成的矩形套信息粒之间的动态因果关系形成时间序列粒模型。相关的实验结果表明,依据本文提出的基于多粒度区间信息粒化的时间序列层次化建模方法所构建的模糊认知图时间序列粒模型具有良好的可解释性,其输出是一个具有语义描述的信息粒(区间),反映了时间序列在相应时间窗口上数据的整体动态特征(语义)和变化范围(区间),这更容易被用户理解和认知,从而为用户做出合理的决策提供有效的支撑。