【技术实现步骤摘要】
本专利技术涉及数据转化方法，具体涉及一种时序数据转为多层图数据方法、时序对间相似性计算方法。
技术介绍
1、随着物联网、大数据等新一代信息技术逐渐在各领域中越来越广泛的应用，人们从社会生产生活过程中采集到的数据越来越多。时序数据是其中的一种重要形式。时序数据通常是一个过程的观察结果，其值是从均匀时间间隔或给定采样频率下测量收集的，常用表示，其中n是观测的样本个数，m、n分别为观测值个数以及观测变量个数。当n＝1时，称为单变量时间序列；当n≥2时，称为多变量时间序列。
2、时序数据分析中，经常需要计算时间序列数据对之间的相似性。一种可行的方法是将时序数据先转化为图结构数据，再通过计算图之间的相似性分数来度量相应时间序列之间的相似性。现有的将时序数据转化为图结构数据的方法通过直接采用序列值、聚类序列值、聚类或分类子序列某些特征值(子序列可重叠)等方法来确定序列的状态(即图中的节点)，对序列状态的设置过于细致或粗糙；此外，现有的将时序数据转化为图结构数据的方法中，对状态的转移只考虑了相邻两个状态的转移特征，而没有考虑状态的多尺度转移特征,导致转化后的图结构数据未能准确反映时序数据的特征，进一步导致对其相似度的计算不够准确。
技术实现思路
1、本专利技术的目的是提供一种时序数据转为多层图数据方法、时序对间相似性计算方法，以解决现有的方法对序列状态的设置过于细致或粗糙，导致转化后的图结构数据未能准确反映时序数据的特征，进一步导致对其相似度的计算不够准确的技术问题。
2
3、步骤1、对单变量时间序列x＝[x1，x2，…，xm]t施以如下标准化运算，标准化后的序列记为x’：
4、
5、其中，x(k)＝xk表示单变量时间序列x的第k个取值，1≤k≤m，且k为整数，m表示单变量时间序列x的长度，δp＝10i为正值的缩放因子，i是使xmin_pos缩放后小于10而大于0的整数，xmin_pos是x中正值的最小值；δn＝10j为负值的缩放因子，j是使|xmax_neg|缩放后小于10而大于0的整数，xmax_neg是x中负值的最大值；
6、步骤2、对x’施行以a为底的对数运算，其中a>1，记结果为x”，则：
7、
8、步骤3、以x”(k)的最小值x”min为基础，以步长s为单位，建立x”的状态区间，s是大于0的实数，即以下列r+1个点构成等距离的r个区间：
9、
10、其中，br≥x”max，x”max为x”(k)的最大值，第一个状态区间的取值范围为[b0，b1]，其余状态区间的取值范围为(br-1，br]，r＝2，3，...，r；
11、步骤4、依次将x”的每个值按其所落入的状态区间转化为状态符号，将x”转化为状态符号序列s，则：
12、
13、步骤5、记状态转移尺度集为ts＝{1，2，…，l}；状态转移尺度ts∈ts指在状态符号序列s上进行状态转移时，下一状态与当前状态之间的位置序号间隔距离，则当前状态位置序号为k，若ts＝1，则下一状态的位置序号为k+1；若ts＝2，则下一状态的位置序号为k+2，以此类推；则以间隔(ts-1)对状态序列进行采样，记采样序列为sts；以s中的每种状态符号为一个节点，以各转移尺度下的状态转移为有向边，将状态符号序列s转化为一个多层有向图mg：
14、mg＝(n，ets，ats，wts)，ts∈ts；
15、其中n为图的节点集合，即状态符号节点的集合，每层网络的状态符号节点都相同；上标ts表示网络层的编号，第ts层网络根据转移尺度为ts时的状态转移生成；为第ts层网络的状态转移边集合，存在的条件为为第ts层网络的节点的属性集合，表示状态符号节点i在sts中出现的相对频率；其中，|·|表示集合的基数，len(·)表示序列的长度；为边的权重集合，表示第ts层网络中从状态i转移到状态j的相对频率。
16、本专利技术还提供了一种计算时间序列对之间相似性的方法，基于上述的时间序列数据转化为多层图结构数据的方法，其特殊之处在于，包括以下步骤：
17、步骤1、将待计算相似度的所有单变量时间序列xix顺序连接，构成一个时间序列x，上标ix表示时间序列的编号；对时间序列x施以标准化运算，得到时间序列x’；
18、步骤2、对时间序列x’施行以a为底数的指数运算，得到时间序列x”；
19、步骤3、以x”的最小值为基础，以步长s为单位，建立x”的状态区间；
20、步骤4、依次将x”的每项取值转化为状态区间中的对应状态，将x”转化为状态符号序列s；从序列s中得到单变量时间序列xix相对应的状态符号序列six；
21、步骤5、给定状态转移尺度集，分别为每个状态符号序列six构建一个多层有向网络mgix；对任意两个时间序列xix，依据其对应的有向图mgix计算他们之间的相似性分数。
22、进一步地，步骤5具体为：
23、给定状态转移尺度集ts＝{1，2，…，l}，分别为每个状态符号序列six构建一个多层有向网络mgix；对mgix的每层有向网络计算其下列属性：
24、状态符号节点出现概率分布的复杂度其中上标ix表示时间序列的编号，上标ts表示该时间序列转化为多层网络后的网络层编号；下标state是表示该概率分布是状态符号节点出现概率分布标签；
25、状态转移停留在各节点的概率分布的复杂度其中下标staying为该概率分布是状态转移停留在各节点的概率分布标签；
26、状态转移出各节点的概率分布的复杂度其中下标out为该概率分布是状态转移出各节点的概率分布标签；
27、状态转移入各节点的概率分布的复杂度其中下标in为该概率分布是状态转移入各节点的概率分布标签；
28、将各层有向网络的上述属性向量依次按序拼接，得到mgix的特征向量
29、
30、计算对应两个特征向量之间的欧式距离并取负值，作为对应两时间序列xix之间的相似性分数。
31、进一步地，步骤5中：
32、所述状态符号节点出现概率分布根据每种状态在状态序列six,ts中出现的频次计算；six,ts是序列xix在转移尺度为ts时的状态转移序列；
33、所述状态转移停留在各节点的概率分布根据在状态序列six,ts中每个节点转移到自己的频次计算；
34、所述状态转移出各节点的概率分布根据在状态序列six,ts中每个节点转移到其他节点的频次计算；
35、所述状态转移入各节点的概率分布根据在状态序列six,ts中每个节点从其他节点转移而来的频次计算。
36、进一步地，步骤5中：
37、所述状态符号节点出现概率分布通过下式计算：
38、<本文档来自技高网...
【技术保护点】
1.一种时间序列数据转化为多层图结构数据的方法，其特征在于，包括以下步骤：
2.一种计算时间序列对之间相似性的方法，基于权利要求1所述的时间序列数据转化为多层图结构数据的方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的计算时间序列对之间相似性的方法，其特征在于，步骤5具体为：
4.根据权利要求3所述的计算时间序列对之间相似性的方法，其特征在于，步骤5中：
5.根据权利要求4所述的计算时间序列对之间相似性的方法，其特征在于，步骤5中：
6.根据权利要求5所述的计算时间序列对之间相似性的方法，其特征在于：步骤5中，各个所述概率分布的复杂度计算方式如下：
【技术特征摘要】
1.一种时间序列数据转化为多层图结构数据的方法，其特征在于，包括以下步骤：
2.一种计算时间序列对之间相似性的方法，基于权利要求1所述的时间序列数据转化为多层图结构数据的方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的计算时间序列对之间相似性的方法，其特征在于，步骤5具体为：<...
【专利技术属性】
技术研发人员：孙韩林，高聪，陈彦萍，王忠民，马素刚，吕宁，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。