技術(shù)特征：

1.一種基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，所述

基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法通過(guò)加聚時(shí)間序列即放大觀察尺度來(lái)改變NLARI的分形斜率指數(shù)參數(shù)和波幅指數(shù)參數(shù)，識(shí)別不同水平的長(zhǎng)記憶性、自相似性、兼有長(zhǎng)記憶性和自相似性的分形、以及動(dòng)力學(xué)特征的最小聚集度時(shí)間序列生成過(guò)程。

2.如權(quán)利要求1所述的基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，通過(guò)控制時(shí)間序列的聚集度來(lái)識(shí)別不同分形水平和動(dòng)力學(xué)特征的時(shí)間序列生成過(guò)程；具體包括：

步驟一，數(shù)據(jù)絕對(duì)值縮小化處理，記為X＝(X_t：t＝1，…，T)；

步驟二，使用X計(jì)算最小二乘法回歸直線使用及

ΔY_t＝Y(jié)_t-Y_t-1，對(duì)作最小二乘法估計(jì)獲得參數(shù)估值記Y＝(Y′₁₀，…，Y′_1t，…Y′_1T-1)′，s¹¹和s²²分別表示矩陣的第一行第一列的元素和第二行第二列的元素；

步驟三，計(jì)算θ₁的置信區(qū)間其中是t分布在置信水平的臨界值以及歸無(wú)假說(shuō)γ＝0的統(tǒng)計(jì)量如果θ₁的置信區(qū)間被包含在區(qū)間(-1，1)內(nèi)、θ₂的置信區(qū)間和γ的置信區(qū)間都被包含在區(qū)間(0，∞)內(nèi)、以及歸無(wú)假說(shuō)γ＝0被拒絕、接受對(duì)立假說(shuō)γ＞0的話，則證據(jù)支持?jǐn)?shù)據(jù)來(lái)自NLARI過(guò)程，執(zhí)行步驟四，否則對(duì)j＝j(luò)+1(初值j＝1)，計(jì)算j重聚集時(shí)間序列X_j，記為X＝X_j，執(zhí)行步驟二；如果循環(huán)時(shí)間序列到不能繼續(xù)被聚集，輸出結(jié)果X是一個(gè)非NLARI過(guò)程或一個(gè)具有γ＝0的退化ARI(2，1)過(guò)程，退出分析；

步驟四，記j₁＝j(luò)，讓執(zhí)行分形識(shí)別，獲得j₂重聚集序列分形度為(δ_1，k，δ_2，k)，記為或無(wú)分形

步驟五，對(duì)和分別執(zhí)行步驟二獲得θ₁的置信區(qū)間θ₂的置信區(qū)間以及γ的置信區(qū)間其中如果θ₁，θ₂，γ的置信區(qū)間被包含在區(qū)間(-1，1)，(0，4)，(0，1)內(nèi)，則證據(jù)支持X來(lái)自穩(wěn)定不動(dòng)點(diǎn)域上的NLARI過(guò)程；如果θ₁，θ₂，γ的置信區(qū)間被包含在區(qū)間(-1，1)，內(nèi)，則證據(jù)支持X來(lái)自穩(wěn)定周期環(huán)域上的NLARI過(guò)程；如果θ₁，θ₂，γ的置信區(qū)間被包含在區(qū)間(-1，1)，(0，+∞)，內(nèi)，則證據(jù)支持X來(lái)自不穩(wěn)定周期環(huán)域上的NLARI過(guò)程；否則X來(lái)自臨界值上的NLARI過(guò)程；輸出具有這些動(dòng)態(tài)特征的分形序列和無(wú)分形序列包括模型參數(shù)作為結(jié)論。

3.如權(quán)利要求1所述的基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，識(shí)別不同長(zhǎng)記憶水平的最小聚集度時(shí)間序列方法，包括：

1)選定一個(gè)正值遞減序列δ_1，k，設(shè)初值k＝j(luò)＝1和X₁＝X；

2)計(jì)算第j重聚集時(shí)間序列X_j；

3)計(jì)算X_j的樣本自相關(guān)系數(shù)ρ_n作為n＝1，…，N和LM(X_j)；如果LM(X_j)＜δ_1，k，則執(zhí)行步驟4)，否則對(duì)j＝j(luò)+1執(zhí)行步驟2)，當(dāng)循環(huán)到時(shí)間序列不能繼續(xù)被聚集時(shí)輸出結(jié)果最小聚集度的長(zhǎng)記憶性時(shí)間序列X_j-1(δ_1，k-1)及模型參數(shù)在那里X_j(δ_1，0)意味著原時(shí)間序列無(wú)長(zhǎng)記憶性；

4)如果k＜K，則令j＝1和k＝k+1，執(zhí)行步驟2)，否則輸出結(jié)論最小聚集度的長(zhǎng)記憶性時(shí)間序列X_j(δ_1，k)及模型參數(shù)。

4.如權(quán)利要求1所述的基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，識(shí)別不同自相似水平的最小聚集度時(shí)間序列方法，包括：

A、選定一個(gè)正值遞減序列δ_2，k，設(shè)初值k＝j(luò)＝1和X₁＝X；

B、計(jì)算第j重聚集時(shí)間序列X_j；

C、計(jì)算X_j的樣本相似比r_{h(i，im)}和SS_hm(X_j)作為m＝1，…，M，h＝1，…，H和i＝1，…，n；如果SS_hm(X_j)＜δ_2，k成立作為給定的m＝1，…，M和h＝1，…，H，則執(zhí)行步驟D，否則對(duì)j＝j(luò)+1執(zhí)行步驟B，當(dāng)循環(huán)到時(shí)間序列不能繼續(xù)被聚集時(shí)，輸出結(jié)果最小聚集度的自相似性時(shí)間序列X_j-1(δ_z，k-1)及模型參數(shù)在那里X_j(δ_2，0)意味著原時(shí)間序列沒(méi)有自相似性；

D、如果k＜K，則令j＝1和k＝k+1，執(zhí)行步驟B，否則輸出結(jié)論最小聚集度的自相似性時(shí)間序列X_j(δ_z，K)及模型參數(shù)。

5.如權(quán)利要求1所述的基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，識(shí)別兼有長(zhǎng)記憶性和自相似性的不同分形水平的最小聚集度時(shí)間序列方法，包括：

a、選定兩個(gè)正值遞減序列δ_1，k和δ_2，k，設(shè)初值k＝j(luò)＝1和X₁＝X；

b、計(jì)算第j重聚集時(shí)間序列X_j；

c、計(jì)算X_j的樣本自相關(guān)系數(shù)ρ_n作為n＝1，…，N和LM(X_i)；如果LM(X_j)＜δ_1，k，則執(zhí)行步驟d，否則對(duì)j＝j(luò)+1執(zhí)行步驟b，當(dāng)時(shí)間序列不能繼續(xù)被聚集時(shí)，輸出結(jié)果最小聚集度的分形時(shí)間序列X_j-1(δ_1，k-1，δ_2，k-1)及模型參數(shù)，(δ_1，0，δ_2，0)為原序列無(wú)分形結(jié)構(gòu)；

d、計(jì)算X_j的樣本相似比r_h(i，im)作為i＝1，…，n和SS_hm(X_j)作為m＝1，…，M和h＝1，…，H；如果SS_hm(X_j)＜δ_2，k作為h＝1，…，H和m＝1，…，M成立，則執(zhí)行步驟e，否則對(duì)j＝j(luò)+1執(zhí)行步驟b；

e、如果k＜K，則令j＝1和k＝k+1，執(zhí)行步驟b，否則輸出結(jié)論最小聚集度的分形時(shí)間序列X_j(δ_1，k，δ_2，k)及模型參數(shù)；通過(guò)限制δ_1，k和δ_2，k值識(shí)別不同長(zhǎng)記憶和自相似水平的時(shí)間序列生成過(guò)程。

6.如權(quán)利要求1所述的基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，新型隨機(jī)分形理論，包括：

(一)作為分形參數(shù)的斜率指數(shù)η₁＝ω/α和波幅指數(shù)η₂＝σ/β基于一類(lèi)描述隨機(jī)彈性系統(tǒng)的NLARI過(guò)程：

$X_t={\mathrm{\θ}}_0+(1+{\mathrm{\θ}}_1)X_{t-1}-{\mathrm{\θ}}_1{X}_{t-2}+{\mathrm{\θ}}_{2}g(X_{t-{\mathrm{\κ}}_2}-{\mathrm{\μ}}_{t-{\mathrm{\κ}}_2})+v_t$

其中ε_t為白噪音，

g(x)是滿(mǎn)足條件g(-x)＝-g(x)及xg(x)＜0的恢復(fù)力函數(shù)，ω為外部擾動(dòng)的期待值，σ為外部擾動(dòng)的標(biāo)準(zhǔn)差，α是阻力系數(shù)，β是恢復(fù)力系數(shù)，κ₁是在阻力上的時(shí)間滯后，κ₂是在恢復(fù)力上的時(shí)間滯后；

(二)j重聚集時(shí)間序列其中充分

加大聚集度j將同時(shí)導(dǎo)致一個(gè)相對(duì)大的|η₁|和一個(gè)相對(duì)小的η₂從而產(chǎn)生長(zhǎng)記憶和自相似行為；

(三)自協(xié)方差r_h的相似比r_{h(i，im)}＝r_h(X_i)/r_h(X_im)，如果時(shí)間序列是自相似的話，

它會(huì)隨著i的增大趨于一條水平直線作為給定的h＝1，…，H，m＝1，…，M；

(四)長(zhǎng)記憶水平指標(biāo)和自相似水平指標(biāo)${\mathrm{SS}}_{hm}\left(X_j\right)\≡1-\underset{i=1,\mathrm{...},n}{\min }\left(r_{h(i,im)}\right)/\underset{i=1,\mathrm{...},n}{\max }\left(r_{h(i,im)}\right).$

7.如權(quán)利要求2所述的基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，步驟四中，識(shí)別分形方法，包括：

一)計(jì)算j重聚集時(shí)間序列X_j、它的自相關(guān)系數(shù)ρ_n作為n＝1，…，N和相似比r_h(i，im)作為h＝1，…，H，m＝1，…，M和i＝1，…，n；

二)加大聚集度j直到滿(mǎn)足長(zhǎng)記憶水平條件LM(X_j)＜δ_1，k和自相似水平條件SS_hm(X_j)＜δ_2，k對(duì)于所有h＝1，…，H和m＝1，…，M，其中δ_1，k和δ_2，k是兩個(gè)正值遞減數(shù)列；

三)通過(guò)改變?chǔ)?sub>1，k和δ_2，k的值控制長(zhǎng)記憶水平和自相似水平。

8.如權(quán)利要求1所述的基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，識(shí)別動(dòng)力學(xué)特征方法包括：

基于t分布的θ₁，θ₂，γ的置信區(qū)間檢定和歸無(wú)假說(shuō)γ＝0對(duì)立假說(shuō)γ＞0的統(tǒng)計(jì)量檢定，如果

證據(jù)支持?jǐn)?shù)據(jù)具有NLARI的穩(wěn)定不動(dòng)點(diǎn)結(jié)構(gòu)，如果

證據(jù)支持?jǐn)?shù)據(jù)具有NLARI的穩(wěn)定周期環(huán)結(jié)構(gòu)，如果

證據(jù)支持?jǐn)?shù)據(jù)具有NLARI的不穩(wěn)定周期環(huán)結(jié)構(gòu)。

9.如權(quán)利要求8所述的基于新型隨機(jī)分形理論的動(dòng)態(tài)數(shù)據(jù)挖掘方法，其特征在于，檢定方法，包括：使用X＝X_j計(jì)算最小二乘法回歸直線通過(guò)對(duì)ΔY_t＝θ₁ΔY_t-1+θ₂g(Y_t-1)+ε_t作最小二乘法估計(jì)在那里ΔY_t＝Y(jié)_t-Y_t-1，獲得參數(shù)估值