1.一种基于频繁项挖掘的多维时间序列同步模体发现方法,其特征在于,包括以下步骤:
(1)在每个维度发现单维K‑模体,即:1‑模体、2‑模体、…、以及k‑模体;
(2)利用单维K‑模体实例构造同步模体实例集SI;
(3)将所有同步模体实例集转换成事务T:提取同步模体实例集中的每个模体实例的标识,每个标识描述一个事务项,即同一个维度同一个体中的所有模体实例都认为是同一个事务项,同步模体实例集中的标识构成事务t;
(4)设置支持度计数minsup,采用改进Apriori算法对TS进行频繁项集挖掘,并输出频繁项集;
(5)输出多维模体。
2.根据权利要求1所述的基于频繁项挖掘的多维时间序列同步模体发现方法,其特征在于,所述步骤(1)包括以下步骤:(11)提取子序列:采用长度为w的滑动窗口对时间序列按照步长1截取生成子序列;
(12)计算子序列之间的距离矩阵:计算任意两个子序列si和sj之间的距离,形成距离矩阵Dij,Dij表示子序列si和sj之间的距离;采用两个子序列之间的相关系数矩表示两个子序列之间的相似程度,相关系数越大表示相似程度越大;
(13)设置相关系数矩阵中相关系数低于阈值c的元素为0,为0的元素表示两个子序列不相似;
(14)计算每个子序列si的相似子序列个数:将所有子序列的集合作为初始处理集So,剔除所有与si相关系数为0的子序列;剔除So中与当前子序列si平凡匹配的子序列;将So中将与当前子序列si距离最近的子序列smi作为候选加入si的相似集Ss中,并将smi从So中剔除;
剔除So中与smi平凡匹配的子序列;递归处理子序列So,直到So中子序列为空;记录子序列si的相似子序列的位置以及总个数;
(15)提取K‑模体:提取相似子序列总数前k多的子序列及其相似子序列,相似子序列最多的子序列及其相似子序列构成1‑模体,相似子序列第二多的子序列及其相似子序列构成
2‑模体,依次类推。
3.根据权利要求1所述的基于频繁项挖掘的多维时间序列同步模体发现方法,其特征在于,所述步骤(2)包括以下步骤:(21)使用四元组[d,k,t,l]描述所有的单维模体实例mi,其中,d表示该模体实例所属的维度;k表示属于该d维度中第k重要的模体;t描述该模体实例在原始时间序列中的开始位置;l描述该模体实例的标识,标识中包括所在维度信息以及所在的模体信息,标识的格式为:“M”+两位维度标识+两位模体标识;若维数和模体数量更加,可以扩展编码位数;对模体实例分配标识后,同一维度同一模体中的所有模体实例的标识都相同;
(22)基于预先定义的时间阈值td,将满足阈值条件的不同维度的单维模体实例置入同一个同步模体实例集SI中;对于两个不同维度的模体实例[d1,k1,t1,l1]和[d2,k2,t2,l2],如果满足条件|t1‑t2|<td,则这两个模体实例属于同步模体实例;多个互相同步的模体实例构成一个同步模体实例集,在同一个同步模体实例集中任意两个实例之间的时间距离小于td;其中td取值为模体实例长度w的百分比,用户根据业务领域需求设置。
4.根据权利要求1所述的基于频繁项挖掘的多维时间序列同步模体发现方法,其特征在于,所述步骤(4)包括以下步骤:(41)产生频繁项集和候选项集时,项集内部按照项所在的维度顺序对项进行排序,假设i
(42)对T中所有事务中的项进行计数,去掉支持度小于minsup的项,所有支持度不小于minsup的项组成频繁1项集的集合F1;
(43)采用F1*F1产生候选2项集,即将F1中任意两个非同一个维度的项进行组合,产生候选2项集集合CF2;
(44)采用Fk‑1*Fk‑1的方式利用k‑1频繁项集产生候选k项集(k>3);合并两个k‑1频繁项产生候选k项集,合并的两个k‑1频繁项满足:这两个k‑1频繁项的前k‑2个项相同且第k‑1项不属于同一个维度的;
(45)统计候选项集集CFk中k项集的支持度计数,剔除CFk中支持度计数小于minsup的k项集,剩下的k项集构成频繁k项集集合Fk;针对事务ti,产生事务项的所有k项集集合;对CFk中的任一k项集,若该k项集在当前事务ti产生的k项集集合中,则该k项集支持度计数增加
1,循环处理完所有事务;
(46)最终的频繁项集为:1维模体的项和 的并集。
5.根据权利要求1所述的基于频繁项挖掘的多维时间序列同步模体发现方法,其特征在于,步骤(5)所述输出多维模体的具体操作为:根据挖掘出的频繁项集到同步模体实例集中检索对应的模体实例;若同步模体实例集包含该频繁项集的所有项,则输出频繁项集中项对应的模体实例。