时间序列(Time Series)是一种重要的数据对象，在现实世界许多领域中都广泛存在，如股票价格，商品销售数据，气象数据等等。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，对这些海量的时序数据如何进行有效的知识发现，挖掘其内在的各种变化模式：对于用户给定具有各种抽象含义的变化模式，如何在海量时间序列库中进行相似性的检索等应用分析，这是一个挑战性的、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。 本文在分析时间序列特点和实际应用需求的基础上，针对时间序列的挖掘与相似性查找一些关键技术进行了研究，具体包括特征模式挖掘、多序列关联模式挖掘、相似性模式查找，在线相似性查找以及最终的分析应用系统开发等方面，所做的工作和取得的创新成果体现在以下五个方面： 1)时间序列特征模式挖掘研究 首次提出了一种基于互关联后继树模型的时序特征模式挖掘方法。不同于传统处理模式，该方法在序列分段上，采用了一种新颖的、基于重要点的时间序列线段化算法；在符号化过程中，采用基于相对斜率的局部符号化方法。既减少计算复杂度，又避免了噪声的影响。在挖掘算法实现上，根据序列特征模式的有序性和重复性，提出了一种无须生成大量的候选模式集的互关联后继树挖掘算法。算法挖掘的结果不仅是一种图形化的描述，而且还具有明确的实际含义，大大有利于在实际中的应用。实验结果表明，与传统的方法相比，该算法极大地提高了挖掘效率。 2)多时间序列间关联模式挖掘研究 针对更有分析价值的多序列关联模式，进一步提出一种新颖的关联模式挖掘方法。该方法利用Allen区间逻辑关系来描述时间序列模式的关联关系，避免了传统方法在关联关系描述上的非同步性；然后通过时间观测窗口，构造出—种包含并行模式和串行模式特殊形式的模式序列；最后，在此基础上构造一种广义的互关联后继树模型，然后用前面挖掘思路实现关联模式的挖掘。实验结果显示，该新方法比传统的Apriori算法具有更好的挖掘效率和挖掘效果。 3)时间序列相似性查找研究 为了在实际分析中对挖掘结果的运用，本文还研究了时间序列的相似性查 摘要找。在分析比较了根据时间序列与全文序列的异同后，采用了全文索引技术，首次提出了一种基于互关联后继树的时间序列相似性查找方法。该方法提出通过基于重要点分段技术的分段动态挖掘距离作为相似性度量，既保证了度量的鲁棒性，又减少计算复杂度；利用各个分段的抽取六个主要特征，将时间序列转化成一种特定的符号序列，在此基础上利用海量全文索引结构实现了相似性的索引查找。在理论上证明了该方法不仅保证索引查找结果不会出现任何错误的遗漏，而且在实验结果上也显示该方法比传统的方法具有明显的优势。 4）动态时间序列在线模式的相似性查找研究 针对时间序列实时分析的需要，给出了一种动态序列的在线相似性查找算法。该算法利用改进的欧氏距离作为模式的相似度量方式，然后利用快速傅立叶变换，实现动态序列与各指定模式的批处理相似性计算。为了缩短在批处理的等待时间，再利用预测模型对未来的值进行预测，通过比较预测序列与特定模式之间的相似性，来实现在线查找的快速响应。模拟实验结果显示，该算法在一定程度上解决了在线查找的准确性与时效性。 5）时间序列分析系统框架研究和原型系统开发 提出了一个集成、开放的时间序列分析系统框架。该框架模型采用功能模块化的方式集成，提供各种接日，具有较强的开放性；提供了时间挖掘与相似性查找，在线检测等综合高层服务功能。最后在此基础上，还开发了一个证券时间序列分析的原型系统。该系统提供了对股票价格指标等数据进行模式挖掘，图形化条件选股，实时交易预警等功能，具有一定的实用价值。