本發(fā)明屬于計(jì)算機(jī)領(lǐng)域，特別涉及計(jì)算機(jī)中的數(shù)據(jù)挖掘領(lǐng)域，具體涉及一種多元時(shí)序數(shù)據(jù)的模式預(yù)測(cè)方法。

背景技術(shù)：

時(shí)序預(yù)測(cè)在天氣預(yù)報(bào)，股票等領(lǐng)域是一個(gè)非常重要的研究方向。在時(shí)序預(yù)測(cè)中一個(gè)最重要的方法就是能夠根據(jù)一些變量的趨勢(shì)去預(yù)測(cè)其他變量的行為，這就叫做多元時(shí)序預(yù)測(cè)。例如，如果我們認(rèn)為兩個(gè)變量相關(guān)，那我們可能想知道例如在天氣預(yù)報(bào)中溫度增加了10％是否影響了濕度的趨勢(shì)。

在多元預(yù)測(cè)中，我們可以將主要的一些方法分成數(shù)學(xué)和人工的方法。數(shù)學(xué)方法中如arima(autoregressiveintegratedmovingaveragemodel，將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序列，然后將因變量?jī)H對(duì)它的滯后值以及隨機(jī)誤差項(xiàng)的現(xiàn)值和滯后值進(jìn)行回歸所建立的模型)或者指數(shù)平滑算法在處理真實(shí)世界中的非線性無(wú)規(guī)律數(shù)據(jù)時(shí)均不可靠。人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和k近鄰都是一些應(yīng)用于時(shí)間序列預(yù)測(cè)的機(jī)器學(xué)習(xí)方法。然而由于很多的時(shí)間變量會(huì)隨著時(shí)間平移和伸縮，這些傳統(tǒng)的方法就會(huì)失效。為了解決這個(gè)問題，一個(gè)解決方案就是考慮一個(gè)序列的行為而不是考慮一個(gè)變量值。例如一些方法在時(shí)間序列分析中進(jìn)行模式預(yù)測(cè)。這些方法都假定一種對(duì)數(shù)據(jù)表示然后盡力去尋找最頻繁的模式。然而，這些解決方案存在的主要問題是：這些方法中數(shù)據(jù)表示并沒有降低數(shù)據(jù)維數(shù)尤其是高維數(shù)據(jù)，而且他們還必須去用例如聚類的方法處理數(shù)據(jù)導(dǎo)致時(shí)間復(fù)雜度提高；另外一個(gè)問題是他們的研究沒有能力解釋輸出規(guī)則和關(guān)系，因此時(shí)間復(fù)雜度的減小和解釋輸出規(guī)則和關(guān)系需要得要有效的解決。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的缺陷和不足，本發(fā)明的目的是提供一種多元時(shí)序數(shù)據(jù)的模式預(yù)測(cè)方法，解決現(xiàn)有的數(shù)據(jù)處理方法時(shí)間復(fù)雜度高的問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案予以實(shí)現(xiàn)：

一種多元時(shí)序數(shù)據(jù)的模式預(yù)測(cè)方法，包括以下步驟：

階段一：對(duì)每一個(gè)條件變量及決策變量所形成的時(shí)間序列尋找候選興趣模式集，分別對(duì)每個(gè)候選興趣模式集進(jìn)行聚類；

步驟1：尋找候選興趣模式集；

步驟1.1：尋找可用初始子序列

對(duì)于時(shí)間序列s＝{s1,…,sl}，從s1開始依次尋找斜率m1≠0的兩個(gè)相鄰時(shí)間序列值，將首次尋找到的兩個(gè)相鄰時(shí)間序列值作為初始子序列si＝{si,si+1}，其中，i＝1，2，…，l-1，l為時(shí)間序列的長(zhǎng)度，斜率m1的計(jì)算公式為：

步驟1.2：計(jì)算相鄰時(shí)間序列值的斜率

給可用初始子序列增加下一個(gè)si+2，計(jì)算si+2和si+1的斜率m2；

步驟1.3：獲取興趣模式

如果m2不等于m1，得到興趣模式pα＝{si,si+1,si+2}；

如果m2等于m1，繼續(xù)步驟1.2，直到mk不等于m1為止，得到興趣模式pα＝{si,si+1,…,si+k}，其中，mk為si+k和si+k-1的斜率，k＝1，2，…，l-2；

步驟1.4獲取候選興趣模式集

對(duì)于時(shí)間序列s＝{s1,…,sl}，從興趣模式pα的最后一個(gè)時(shí)間序列值開始，重復(fù)步驟1.1至步驟1.3，直到找到整個(gè)時(shí)間序列s＝{s1,…,sl}中所有的興趣模式，形成候選興趣模式集pc＝{p1,p2,…,pα,…,pβ,…,pn}；

步驟2：候選興趣模式集聚類；

步驟2.1：利用以下剪枝規(guī)則①和剪枝規(guī)則②給滿足規(guī)則條件的模式距離值賦為無(wú)窮大；

剪枝規(guī)則①：如果候選興趣模式集pc中的任意兩個(gè)興趣模式pα,pβ沒有同時(shí)出現(xiàn)在區(qū)域?qū)挾葹閣s的同一區(qū)域中，將距離矩陣d中的dαβ賦為無(wú)窮大；其中，ws是用戶指定的參數(shù)，d為興趣模式的距離矩陣，

dαβ＝dαβ(pα,pβ)，dαβ為pα和pβ的歐幾里德距離；

剪枝規(guī)則②：如果興趣模式pα的斜率為負(fù)，且興趣模式pβ的斜率為正，將距離矩陣d中的dαβ賦為無(wú)窮大；

步驟2.2：計(jì)算距離矩陣中dαβ為非無(wú)窮大的元素的距離，并賦值到距離矩陣中相應(yīng)的位置；

步驟2.3：比較dαβ(pα,pβ)和用戶指定的dmin之間的大小，若dαβ≤dmin，從pc中刪除pα和pβ兩個(gè)興趣模式中時(shí)間序列值的個(gè)數(shù)較小的興趣模式，最終得到新的興趣模式集p；

其中，dmin取相鄰兩個(gè)時(shí)間序列值之間的歐幾里德距離最小值和最大值之間的某個(gè)值，具體由用戶指定；

階段二：產(chǎn)生預(yù)測(cè)規(guī)則

步驟3：用apriori算法計(jì)算關(guān)聯(lián)規(guī)則

合并每個(gè)時(shí)間變量的興趣模式集p得到pall，利用apriori算法對(duì)pall中的興趣模式進(jìn)行關(guān)聯(lián)規(guī)則挖掘，獲取不同時(shí)間變量間的多個(gè)關(guān)聯(lián)規(guī)則；

步驟4：生成預(yù)測(cè)規(guī)則

①把m(pvm)＝m(p′)＝1的多個(gè)關(guān)聯(lián)規(guī)則合并形成如下的預(yù)測(cè)規(guī)則：

a1≤v(pv1)≤b1，且a2≤v(pv2)≤b2，…，且aj≤v(pv)j≤bj，…，且aλ≤v(pvλ)≤b，則c1≤v(p′)≤c2，并且延遲δt1個(gè)單位時(shí)間；

其中，pvj是條件變量形成的興趣模式，j＝1,2,…,λ，λ≥1，λ為條件變量的個(gè)數(shù)，p′是決策變量形成的興趣模式；

m(pvm)是sl和s1之間的斜率，m(pvm)＝sgn(sl-s1)，pvm是條件變量中對(duì)決策變量影響最大的興趣模式，sl是pvm中最后一個(gè)時(shí)間序列值，s1是pvm中第一個(gè)時(shí)間序列值；m(p′)是s′l和s1′之間的斜率，s′l代表p′中最后一個(gè)時(shí)間序列值，s1′代表p′中第一個(gè)時(shí)間序列值；

aj和bj分別是m(pvm)＝m(p′)＝1的興趣模式關(guān)聯(lián)規(guī)則中v(pvj)的最小值和最大值，c1和c2分別是m(pvm)＝m(p′)＝1的興趣模式關(guān)聯(lián)規(guī)則中v(p′)的最小值和最大值，aj、bj、c1和c2均是正數(shù)；

v(pvj)是條件變量中興趣模式pvj的變化量，v(p′)是決策變量中興趣模式p′的變化量，

v(pvj)＝(max(pvj)-min(pvj))×m(pvj)

v(p′)＝(max(p′)-min(p′))×m(p′)

max(pvj)和min(pvj)分別表示興趣模式pvj的最大時(shí)間序列值和最小時(shí)間序列值；

時(shí)延δt1＝max(δ(rg))，δ(rg)＝ipvm-ip′，ipvm是pvm的起始時(shí)間值，ip′是p′的起始時(shí)間值；

②把m(pvm)＝m(p′)＝-1的多個(gè)關(guān)聯(lián)規(guī)則合并形成如下的預(yù)測(cè)規(guī)則：

e1≤v(pv1)≤f1，且e2≤v(pv2)≤f2，…，且ej≤v(pv)j≤f，j…，且eη≤v(pvη)≤fη，則g1≤v(p′)≤g2，并且延遲δt2個(gè)單位時(shí)間；

其中，ej和fj分別是m(pvm)＝m(p′)＝-1的興趣模式關(guān)聯(lián)規(guī)則中v(pj)的最小值和最大值，g1和g2分別是m(pvm)＝m(p′)＝-1的興趣模式關(guān)聯(lián)規(guī)則中v(p′)的最小值和最大值，j＝1，2，…，η，η≥1，η為條件變量的個(gè)數(shù)；ej、fj、g1和g2均是負(fù)數(shù)，j為自然數(shù)；δt2＝max(δ(rg))；

階段三：將待測(cè)數(shù)據(jù)的條件變量執(zhí)行階段一獲得的興趣模式去匹配階段二的預(yù)測(cè)規(guī)則，若滿足預(yù)測(cè)規(guī)則的前件，則輸出決策變量的預(yù)測(cè)結(jié)果。

進(jìn)一步的，所述的步驟2中候選興趣模式集聚類方法可以用如下方法替換：

步驟2.1：利用r-tree構(gòu)建候選模式集中的每個(gè)模式的mbr，形成模式的數(shù)據(jù)結(jié)構(gòu)，得到模式的索引；

步驟2.2：對(duì)r-tree數(shù)據(jù)結(jié)構(gòu)中的每個(gè)孩子節(jié)點(diǎn)i和j，利用以下剪枝規(guī)則1和規(guī)則2給滿足規(guī)則條件的模式距離值賦為無(wú)窮大。

剪枝規(guī)則①：如果兩個(gè)興趣模式pα,pβ沒有同時(shí)出現(xiàn)在區(qū)域?qū)挾葹閣s的同一區(qū)域中，將距離矩陣中的dαβ賦為無(wú)窮大；其中，ws是用戶指定的參數(shù)，d為興趣模式的距離矩陣，

dαβ＝dαβ(pα,pβ)，dαβ為pα和pβ的歐幾里德距離；

剪枝規(guī)則②：如果興趣模式pα的斜率為負(fù)，且興趣模式pβ的斜率為正，將距離矩陣d中的dαβ賦為無(wú)窮大；

步驟2.3：距離矩陣d中dαβ為非無(wú)窮大的元素按照歐幾里德距離進(jìn)行計(jì)算，并賦值到距離矩陣中相應(yīng)的位置；

步驟2.4：比較dαβ(pα,pβ)和用戶指定的dmin之間的大小，若dαβ≤dmin，從pc中刪除pα和pβ兩個(gè)興趣模式中時(shí)間序列的個(gè)數(shù)較小的興趣模式，最終得到新的興趣模式集p；其中，dmin取相鄰兩個(gè)時(shí)間序列之間的歐幾里德距離最小值和最大值之間的某個(gè)值，具體由用戶指定。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明的多元時(shí)序數(shù)據(jù)的模式預(yù)測(cè)方法計(jì)算量小，有效的減小模式預(yù)測(cè)中的時(shí)間復(fù)雜度，解決了傳統(tǒng)方法中時(shí)間復(fù)雜度過高的問題。

附圖說明

圖1是空氣溫度和夯土溫度的時(shí)序圖。

圖2是空氣溫度和夯土溫度的變量關(guān)系圖。

圖3是模式間的mbr。

圖4是本發(fā)明所提出的用于檢索候選模式的基于r-tree的數(shù)據(jù)結(jié)構(gòu)圖。

圖5是歐幾里得距離測(cè)量的使用剪枝與未使用剪枝策略進(jìn)行距離矩陣計(jì)算的性能與序列號(hào)圖。

圖6是使用剪枝規(guī)則的歐氏距離計(jì)算所用的時(shí)間和使用剪枝和r-tree進(jìn)行距離矩陣計(jì)算的時(shí)間性能比較圖。

圖7是實(shí)施例中生成的六個(gè)規(guī)則的性能評(píng)價(jià)。

以下結(jié)合實(shí)施例對(duì)本發(fā)明的具體內(nèi)容作進(jìn)一步詳細(xì)解釋說明。

具體實(shí)施方式

本發(fā)明中的條件變量是能夠用來預(yù)測(cè)其他變量的變量，決策變量就是可以被其他變量預(yù)測(cè)的變量。

本發(fā)明的方法過程分為三個(gè)階段：

階段一：對(duì)每一個(gè)條件變量及決策變量所形成的時(shí)間序列尋找候選興趣模式集，分別對(duì)每個(gè)候選興趣模式集進(jìn)行聚類；階段二：產(chǎn)生預(yù)測(cè)規(guī)則；階段三：根據(jù)階段二生成的預(yù)測(cè)規(guī)則對(duì)待測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

其中階段一和階段二是訓(xùn)練階段，將已有的數(shù)據(jù)執(zhí)行階段一和階段二后得到預(yù)測(cè)規(guī)則，階段三是針對(duì)待測(cè)量的數(shù)據(jù)，將待測(cè)量數(shù)據(jù)經(jīng)歷階段一后獲得的興趣模式去匹配階段二中的預(yù)測(cè)規(guī)則，若滿足預(yù)測(cè)規(guī)則的前件，則輸出決策變量的預(yù)測(cè)結(jié)果。

在階段一中：尋找興趣模式，并總結(jié)數(shù)據(jù)的行為，對(duì)于數(shù)據(jù)的變化，尋找斜率為正和斜率為負(fù)的模式。由于序列數(shù)據(jù)可能包含重復(fù)的模式，該算法對(duì)這些模式進(jìn)行聚類和分組，具體為：

步驟1：尋找候選興趣模式集

步驟1.1：尋找可用初始子序列

對(duì)于時(shí)間序列s＝{s1,…,sl}，從s1開始依次尋找斜率m1不為0的兩個(gè)相鄰時(shí)間序列值，將首次尋找到的兩個(gè)相鄰時(shí)間序列值作為初始子序列si＝{si,si+1}，其中，i＝1，2，…，l-1，l為時(shí)間序列的長(zhǎng)度，斜率m1的計(jì)算公式為：

步驟1.2：計(jì)算相鄰時(shí)間序列值的斜率

給可用初始子序列增加下一個(gè)si+2，計(jì)算si+2和si+1的斜率m2；

步驟1.3：獲取興趣模式

如果m2不等于m1，得到興趣模式pα＝{si,si+1,si+2}；

如果m2等于m1，繼續(xù)步驟1.2，直到mk不等于m1為止，得到興趣模式pα＝{si,si+1,…,si+k}，其中，mk為si+k和si+k-1的斜率，k＝1，2，…，l-2；

步驟1.4獲取候選興趣模式集

對(duì)于時(shí)間序列s＝{s1,…,sl}，從興趣模式pα的最后一個(gè)時(shí)間序列值(即si+k)開始，重復(fù)步驟1.1至步驟1.3，直到找到整個(gè)時(shí)間序列s＝{s1,…,sl}的n個(gè)興趣模式，形成候選興趣模式集pc＝{p1,p2,…,pα,…,pβ,…,pn}；

步驟2：候選興趣模式集聚類；

在候選模式集中將相似模式分組，尋找相似模式的第一步是在模式之間生成一個(gè)距離矩陣。對(duì)于每一對(duì)模式，一個(gè)距離矩陣的元素顯示了兩個(gè)模式的距離。然而傳統(tǒng)的算法的時(shí)間消耗太大，為了解決這個(gè)問題，本發(fā)明中提出了兩種方法：一種為剪枝規(guī)則，另一種為r-tree結(jié)合剪枝規(guī)則。

對(duì)于剪枝規(guī)則，具體如下：

步驟2.1：利用以下剪枝規(guī)則①和剪枝規(guī)則②給滿足規(guī)則條件的模式距離值賦為無(wú)窮大；

剪枝規(guī)則①：如果候選興趣模式集pc中的任意兩個(gè)興趣模式pα,pβ沒有同時(shí)出現(xiàn)在區(qū)域?qū)挾葹閣s的同一區(qū)域中，那么這兩個(gè)模式的距離為無(wú)窮大，將距離矩陣d中的dαβ賦為無(wú)窮大；其中，ws是用戶指定的參數(shù)，d為興趣模式的距離矩陣，

dαβ＝dαβ(pα,pβ)，dαβ為pα和pβ的歐幾里德距離；

剪枝規(guī)則②：使用模式的斜率來進(jìn)行剪枝，如果興趣模式pα的斜率為負(fù)，且興趣模式pβ的斜率為正，則它們不能被認(rèn)為是相似的，將距離矩陣d中的dαβ填充為無(wú)窮大；

步驟2.2：計(jì)算距離矩陣中dαβ為非無(wú)窮大的元素之間的歐幾里德距離，并賦值到距離矩陣中相應(yīng)的位置。

步驟2.3：比較dαβ(pα,pβ)和用戶指定的dmin之間的大小，若dαβ≤dmin，從pc中刪除pα和pβ兩個(gè)興趣模式中時(shí)間序列值的個(gè)數(shù)較小的興趣模式，最終得到新的興趣模式集p；其中，dmin取相鄰兩個(gè)時(shí)間序列值之間的歐幾里德距離最小值和最大值之間的某個(gè)值，時(shí)間序列值具體由用戶指定。

對(duì)于r-tree結(jié)合剪枝規(guī)則，r-tree用來索引候選模式集pc，如圖4所示，p1-p9為候選模式，r樹結(jié)構(gòu)中每一個(gè)樹的葉結(jié)點(diǎn)為一個(gè)候選模式的mbr。具體如下：

步驟2.1：利用r-tree構(gòu)建候選模式集中的每個(gè)模式的mbr，形成模式的數(shù)據(jù)結(jié)構(gòu)，得到模式的索引；其中每一個(gè)葉子節(jié)點(diǎn)是一個(gè)模式的mbr，r-tree的中間項(xiàng)用附近的mbr來索引模式。這個(gè)數(shù)據(jù)結(jié)構(gòu)通過減少處理的模式的數(shù)量將被用來減少算法的時(shí)間復(fù)雜度。圖3說明了模式p1和模式p2間的mbr。

步驟2.2：對(duì)r-tree數(shù)據(jù)結(jié)構(gòu)中的每個(gè)孩子節(jié)點(diǎn)i和j，利用以下剪枝規(guī)則1和規(guī)則2給滿足規(guī)則條件的模式距離值賦為無(wú)窮大。

剪枝規(guī)則①：如果候選興趣模式集pc中的任意兩個(gè)興趣模式pα,pβ沒有同時(shí)出現(xiàn)在區(qū)域?qū)挾葹閣s的同一區(qū)域中，那么這兩個(gè)模式的距離為無(wú)窮大，將距離矩陣d中的dαβ賦為無(wú)窮大；其中，ws是用戶指定的參數(shù)，d為興趣模式的距離矩陣，

dαβ＝dαβ(pα,pβ)，dαβ為pα和pβ的歐幾里德距離；

剪枝規(guī)則②：使用模式的斜率來進(jìn)行剪枝，如果興趣模式pα的斜率為負(fù)，且興趣模式pβ的斜率為正，則它們不能被認(rèn)為是相似的，將距離矩陣d中的dαβ填充為無(wú)窮大；

步驟2.3：計(jì)算距離矩陣中dαβ為非無(wú)窮大的元素之間的歐幾里德距離，并賦值到距離矩陣中相應(yīng)的位置。

步驟2.4：比較dαβ(pα,pβ)和用戶指定的dmin之間的大小，若dαβ≤dmin，從pc中刪除pα和pβ兩個(gè)興趣模式中時(shí)間序列值的個(gè)數(shù)較小的興趣模式，最終得到新的興趣模式集p；其中，dmin取相鄰兩個(gè)時(shí)間序列值之間的歐幾里德距離最小值和最大值之間的某個(gè)值，具體由用戶指定。

階段二：產(chǎn)生預(yù)測(cè)規(guī)則

步驟3：用apriori算法計(jì)算關(guān)聯(lián)規(guī)則

合并每個(gè)時(shí)間變量的興趣模式集p成pall，利用apriori算法對(duì)pall中的興趣模式進(jìn)行關(guān)聯(lián)規(guī)則挖掘，獲取不同時(shí)間變量間興趣模式的關(guān)聯(lián)規(guī)則：

其中，g＝1,2,…,r，pvj是條件變量形成的興趣模式，p′是決策變量形成的興趣模式；

按照如下的公式計(jì)算關(guān)聯(lián)規(guī)則rg的方向、時(shí)延和變化量：

關(guān)聯(lián)規(guī)則的方向計(jì)算公式：

其中，m(pvm)是sl和s1之間的斜率，m(pvm)＝sgn(sl-s1)，pvm是條件變量中對(duì)決策變量影響最大的興趣模式，sl代表pvm中最后一個(gè)時(shí)間序列值，s1代表pvm中第一個(gè)時(shí)間序列值；m(p′)是s′l和s′之間的斜率，s′l代表p′中最后一個(gè)時(shí)間序列值，s′代表p′中第一個(gè)時(shí)間序列值；

時(shí)延的計(jì)算公式：

δt1＝max(δ(rg))，δ(rg)＝ipvm-ip′(4)

其中，ipvm是pvm的起始時(shí)間值，ip′是p′的起始時(shí)間值；

規(guī)則的變化量：

v(pvj)＝(max(pvj)-min(pvj))×m(pvj)

v(p′)＝(max(p′)-min(p′))×m(p′)(5)

其中，v(pvj)是條件變量中興趣模式pvj的變化量，v(p′)是決策變量中興趣模式p′的變化量，max(pvj)和min(pvj)分別表示興趣模式pvj的最大時(shí)間序列值和最小時(shí)間序列值。

步驟4：生成預(yù)測(cè)規(guī)則

①把m(pvm)＝m(p′)＝1的多個(gè)關(guān)聯(lián)規(guī)則合并形成如下的預(yù)測(cè)規(guī)則：

a1≤v(pv1)≤b1，且a2≤v(pv2)≤b2，…，且aj≤v(pv)j≤bj，…，且aλ≤v(pvλ)≤b，則c1≤v(p′)≤c2，并且延遲δt1個(gè)單位時(shí)間；

其中，aj和bj分別是m(pvm)＝m(p′)＝1的興趣模式關(guān)聯(lián)規(guī)則rg中v(pvj)的最小值和最大值，c1和c2分別是m(pvm)＝m(p′)＝1的興趣模式關(guān)聯(lián)規(guī)則rg中v(p′)的最小值和最大值，j＝1,2,…,λ，λ≥1，λ為條件變量的個(gè)數(shù)，aj、bj、c1和c2均是正數(shù)。

②把m(pvm)＝m(p′)＝-1的多個(gè)關(guān)聯(lián)規(guī)則合并形成如下的預(yù)測(cè)規(guī)則：

e1≤v(pv1)≤f1，且e2≤v(pv2)≤f2，…，且ej≤v(pv)j≤f，j…，且eη≤v(pvη)≤fη，則g1≤v(p′)≤g2，并且延遲δt2個(gè)單位時(shí)間；

其中，ej和fj分別是m(pvm)＝m(p′)＝-1的興趣模式關(guān)聯(lián)規(guī)則中v(pj)的最小值和最大值，g1和g2分別是m(pvm)＝m(p′)＝-1的興趣模式關(guān)聯(lián)規(guī)則中v(p′)的最小值和最大值，ej、fj、g1和g2均是負(fù)數(shù)，j＝1，2，…，η，η≥1，η為條件變量的個(gè)數(shù)；δt2＝max(δ(rg))，δ(rg)＝ipvm-ip′，ipvm是pvm的起始時(shí)間值，ip′是p′的起始時(shí)間值；

本發(fā)明使用命中率h用于說明本發(fā)明算法的性能，h定義為：

其中，n為條件變量中準(zhǔn)確匹配預(yù)測(cè)規(guī)則的興趣模式的數(shù)目，m為條件變量中興趣模式的總數(shù)目。

以下給出本發(fā)明的具體實(shí)施例，需要說明的是本發(fā)明并不局限于以下具體實(shí)施例，凡在本申請(qǐng)技術(shù)方案基礎(chǔ)上做的等同變換均落入本發(fā)明的保護(hù)范圍。

實(shí)施例1

本實(shí)施例給出將本發(fā)明算法用于預(yù)測(cè)明長(zhǎng)城遺址的土體溫度，其中，圖1和圖2分別為明長(zhǎng)城遺址空氣溫度和夯土溫度的時(shí)序圖及其變量關(guān)系圖，將該時(shí)序數(shù)據(jù)通過上述三個(gè)階段的處理，其中，本實(shí)施例在階段一中只使用了剪枝規(guī)則候選興趣模式集聚類，其結(jié)果如圖5，其中，naive曲線表示的是既不使用剪枝規(guī)則也不使用r-tree數(shù)據(jù)結(jié)構(gòu)的聚類結(jié)果，pruning-based曲線表示使用剪枝規(guī)則的聚類結(jié)果，從圖中可以看出，隨著時(shí)間序列數(shù)量的增加，未使用剪枝規(guī)則的歐氏距離計(jì)算所用的時(shí)間程指數(shù)增長(zhǎng)，而使用了剪枝規(guī)則進(jìn)行距離計(jì)算的時(shí)間增長(zhǎng)緩慢。

實(shí)施例2

本實(shí)施例與實(shí)施例1的區(qū)別點(diǎn)在于：本實(shí)施例在階段一中使用了r-tree的數(shù)據(jù)結(jié)構(gòu)結(jié)合剪枝規(guī)則候選興趣模式集聚類，這個(gè)數(shù)據(jù)結(jié)構(gòu)通過減少處理的模式的數(shù)量將被用來減少算法的時(shí)間復(fù)雜度，如圖6所示。橫軸是時(shí)間序列的數(shù)量，可以看到隨著時(shí)間序列數(shù)量的增加，使用剪枝規(guī)則結(jié)合r-tree進(jìn)行距離矩陣計(jì)算的時(shí)間比僅使用剪枝規(guī)則進(jìn)行距離矩陣計(jì)算的時(shí)間增長(zhǎng)緩慢。在空氣溫度的時(shí)序圖中，p1和p2為本發(fā)明算法識(shí)別的候選模式集，可以構(gòu)建兩個(gè)模式間的mbr，圖3所示為模式p1和模式p2之間的mbr。

表1為本實(shí)施例生成的六個(gè)具體的預(yù)測(cè)規(guī)則，

表1預(yù)測(cè)規(guī)則

圖7是本實(shí)施例根據(jù)上述六個(gè)預(yù)測(cè)規(guī)則的預(yù)測(cè)結(jié)果，圖中橫軸為監(jiān)測(cè)區(qū)域，縱軸為命中率。圖7中展示了生成的六個(gè)預(yù)測(cè)規(guī)則在區(qū)域1,2,3,4,5中進(jìn)行預(yù)測(cè)的命中率h的對(duì)比結(jié)果，其中規(guī)則3的平均命中率最高。