Швидкий алгоритм інтелектуального аналізу часових рядів на основі теорії сірих систем
- Деталі
- Категорія: IT-технології
- Останнє оновлення: Неділя, 22 січня 2017, 10:06
- Опубліковано: Неділя, 22 січня 2017, 10:06
- Перегляди: 3897
Authors:
Хуні Цао, Сіаньський медичний університет, м. Сіань, Шеньсі, Китай
Цзюньхой Ян, Сіаньський медичний університет, м. Сіань, Шеньсі, Китай
Лі Ван, Сіаньський медичний університет, м. Сіань, Шеньсі, Китай
Abstract:
Мета. Із розвитком передачі великих об’ємів даних, інтелектуальний аналіз часових рядів став важливою темою, що привертає до себе увагу суспільства. На основі кореляції та спільності часових рядів, розглянута швидка модель інтелектуального аналізу часових послідовностей.
Методика. Запропоновано метод визначення кореляції, заснований на особливостях відповідного коефіцієнта зсунутої часової послідовності. У кінцевому рахунку, запропонована швидка модель інтелектуального аналізу часових послідовностей, заснована на теорії сірих систем.
Результати. Методологія визначення кореляції, запропонована в даній роботі, є більш ефективною, ніж коефіцієнт лінійної кореляції Пірсона, коефіцієнт рангової кореляції Спірмена, коефіцієнт рангової кореляції Кендалла та тест Гренджера на причинність.
Наукова новизна. У роботі запропоноване об’єднання швидкого метода визначення кореляції послідовностей і метода вирівнювання по кривій.
Практична значимість. Результати можуть забезпечити теоретичну базу для визначення кореляції регресійного аналізу та часового вирівнювання.
References/Список літератури
1. Yin, M.S., 2013. Fifteen years of grey system theory research: a historical review and bibliometric analysis. Expert systems with Applications, Vol. 40, No. 7, pp. 2767–2775.
2. Low, Y., Bickson, D., Gonzalez, J., Guestrin, C., Kyrola, A. and Joseph M. Hellerstein, 2012. Distributed GraphLab: a framework for machine learning and data mining in the cloud’ Proceedings of the VLDB Endowment, Vol. 5, No. 8, pp. 716–727.
3. Demšar, J., Curk, T., Erjavec, A., Gorup, Č., Hoče var, T., Milutinovič, M., Možina, M., Polajnar, M., Toplak, M., Starič, A., Štajdohar, M., Umek, L., Žagar, L., Žbontar, J., Žitnik, M. and Zupan, B., 2013. Orange: data mining toolbox in Python. The Journal of Machine Learning Research, Vol. 14, No. 1, pp. 2349–2353.
4. Nguyen, P.H., Sheu, T.W., Nguyen, P.T., et al., 2014. Taylor Approximation Method in Grey System Theory and Its Application to Predict the Number of Foreign Students Studying in Taiwan, International Journal of Innovation and Scientific Research, Vol. 10, No. 2, pp. 409–420.
5. Romero, C. and Ventura, S., 2013. Data mining in education, Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, Vol. 3, No. 1, pp. 12–27.
6. Tserng, H.P., Ngo, T.L. and Chen, P.C., 2015. A Grey System Theory Based Default Prediction Model for Construction Firms. Computer Aided Civil and Infrastructure Engineering, Vol. 30, No. 2, pp. 120–134.
7. Wei, M.C., 2014. The Influence Factor Analysis for Sexual Harassment on Campus in Taiwan via Grey System Theory. Journal of Grey System, Vol. 17, No. 4, pp. 207–213.
8. Ghodrati Amiri, G., Zare Hosseinzadeh, A. and Jafarian Abyaneh, M., 2016. A new two-stage method for damage identification in linear-shaped structures via Grey System Theory and optimization algorithm, Journal of Rehabilitation in Civil Engineering, Vol. 3, No. 2, pp. 36–50.
9. Raju, P.S., Bai, D.V.R. and Chaitanya, G.K., 2014. Data mining: Techniques for enhancing customer relationship management in banking and retail industries. International Journal of Innovative Research in Computer and Communication Engineering, Vol. 2, No. 1, pp. 2650–2657.
10. Liao, S.H., Chu, P.H. and Hsiao, P.Y., 2012. Data mining techniques and applications–A decade review from 2000 to 2011. Expert Systems with Applications, Vol. 39, No. 12, pp. 11303–11311.
![]() ![]() |
|
![]() ![]() ![]() |
![]() |