摘要：高维时序空间大数据关联特征较多且复杂,导致大数据关联特征挖掘难度大幅度上升,所以设计了高维时序空间大数据关联特征精准挖掘算法。根据体数据求解结果,确定高维时序空间大数据子序列表达式,计算大数据样本的时序特征。利用关联方差,推导精准序列矩阵,结合回归向量的取值范围对大数据关联特征进行精准挖掘,得到相关的挖掘结果。实验结果表明,随着大数据样本量的增加,所提方法的拟合误差参数最大值不超过2.1,不会影响挖掘指令执行能力,满足大数据关联特征精准挖掘的实际应用需求。

摘要：数据召回速率影响网络主机对敏感数据流的挖掘与处理能力。因此,为提升数据召回速率,针对嵌入式异构物联网敏感数据流动态挖掘方法展开研究。以边缘云架构为基础,推导数据标识映射条件,并完善嵌入式异构物联网体系。然后根据滑动窗口构建标准,建立闭合频繁项集合,再通过求解负载配比参数的方式定义关联挖掘规则,从而实现对敏感数据流的动态挖掘。实验结果表明,该方法能够将数据召回速率最大值提升至8.0 bit/ms,使得物联网主机对敏感数据流的挖掘与处理能力得到了提升。

摘要：为节约电力时序数据的存储空间,有效实现对电力网络的扩容处理,提出了基于时间窗口聚类的电力时序数据压缩方法。根据时间窗口聚类条件,分别求解时间子序列与窗口子序列条件,从实时存储库中提取电力时序数据样本。定义压缩性能指标,通过稀疏变换数据矩阵的方式,实现对电力时序数据的压缩处理。对比实验结果表明,时间窗口聚类模型可将电力时序数据存储空间控制在3.0×10~7bit内,对于节约数据存储空间、实现电力网络的扩容起到了一定的促进性作用。

摘要：面对多维时空数据属性复杂无法有效约简的问题,提出了多维时空数据分布式协同进化属性约简方法。通过多维时空数据投影抖动处理,使投影点分布角度一致。按照时间序列将多维属性的时空目标归入一维特征时空,构建约简布局优化结构。使用邻域粗糙集模型的贪心属性约简算法,获取多个属性约简子集,采用邻域覆盖约简规则学习方法,保证动态数据属性偏向约简过程稳定。根据协同进化约简布局优化结构,计算多维时空之间相对距离,获取偏序约简结果,实现多维时空数据分布式协同进化属性约简。由实验结果可知,该方法约简后数据最小为14个,具有良好约简效果。