摘要：随着高级量测体系和各类监控系统的大规模建设发展,时间序列数据的规模呈指数级增长,在智能电网大数据中占有较大的比重。时间序列数据的特征提取是影响数据挖掘质量的关键步骤,在大数据背景下,传统的特征提取算法已无法满足海量数据处理的需求。结合云计算平台和MaxCompute大数据处理技术,设计实现了时间序列数据的表存储方法和并行化的时间序列数据排列熵特征提取算法。在云计算平台上采用不同规模的数据集对并行化算法进行测试,验证了并行化排列熵算法的正确性和高性能。

摘要：对电网运行产生的时间序列数据展开实时预测研究,提出基于Storm平台和ARIMA模型的预测框架。分析不同类型电网时序数据的特点,预设拟合模型以降低模型构建的盲目性,缩短预测时间,同时设计基于HBase的新型时序数据存储模式加快数据检索速度。通过对海量的时序数据源进行并发预测,比较不同数据样本对预测值的影响并实时分析预测误差。经实例从预测精度、运算速度、占用资源3个角度验证了该框架的有效性与实用性。

摘要：为突破单一模型分析局限,文章围绕常见时间序列分析模型展开原理分析,主要包括隐马尔可夫模型、自回归移动平均模型、人工神经网络模型三类人工智能模型,对以上三种模型展开数据仿真,了解三种模型所产生的时间序列数据特征。以此为依据展开模型对比与选择,并进行实例验证,经分析后可判断,三类模型产生的时间序列数据数理特征存在差异,为模型的设计与构建提供了依据。

摘要：时间序列数据是工业数据的主要形式之一。随着工业大数据的发展,时间序列数据分析建模应用需要存储海量数据,同时需要对高通量的数据进行高速读取。传统的以关系型数据库为主的时间序列数据存储方式,已不能满足高通量数据的高速读取要求。为解决这一需求,本文将MongoDB运用到时间序列数据的存储与分析应用中,并设计了适用于时间序列数据特征的存储模式,通过实际应用对比,验证了方法的有效性。

摘要：探讨了如何为CBR(基于范例的推理)增加对一种特殊的范例类型——时间序列数据的支持.分析了基于谱分析的时间序列相似度比较算法不适用于CBR检索的缺点,并在此基础上设计了一种综合性能很好的CBR检索算法.思路是把时间序列相似度比较转化成一个卷积问题,并用DFT来简化这个卷积的计算.通过对这种CBR检索算法进行了深入的理论分析和认真的实验,结果证明,提出的算法是一个高效的算法.在这个检索算法的基础上,CBR就能够应用到时序数据的分析推理中,具有广阔的应用前景.

摘要：时间序列数据在工业制造、气象、船舶、电力、车辆、金融等领域都有着广泛的应用,促进了时间序列数据库管理系统的蓬勃发展.面对愈加庞大的数据规模和多样的数据模态,高效的数据存储和管理方式十分关键,而数据的编码压缩愈发成为一个具有重要意义和价值的问题.现有的编码方法和相关系统未能充分考虑不同模态的数据特点,或者未把一些时序数据的处理方法应用于数据编码问题中.全面阐述了ApacheIoTDB时序数据库系统中的多模态数据编码压缩方法及其系统实现,特别是面向工业物联网等应用场景.该编码方法较为全面地考虑包括时间戳数据、数值数据、布尔值数据、频域数据、文本数据等多个不同模态的数据,充分挖掘和利用各自模态数据的特点,特别是包括时间戳模态中时间戳序列间隔近似的特点等,进行有针对性的编码方案设计.同时,将实际应用场景中可能出现的数据质量问题因素纳入编码算法的考量中.在多个数据集上的编码算法层面和系统层面的实验评估和分析,验证了该编码压缩方法及其系统实现的效果.

摘要：实现复杂场景下地块级苹果园的精准制图,是中国苹果产业精细化管理面临的迫切需求。然而,传统的地块级分类制图框架在处理小农经营区内的大量细碎地块时,可靠性大幅度降低。本文提出一种适用于复杂场景下小农经营区的地块级苹果园模块化制图方法框架。①基于模拟人类对目标场景视觉感知的分层策略,从深秋季的单幅超高空间分辨率(Very High Resolution,VHR)影像中提取冗余的候选地块;②利用非对称瓶颈网络(Depth-wise Asymmetric Bottleneck Network,DABNet)模型与长短期记忆(Long Short-Term Memory,LSTM)模型,分别从VHR影像与时间序列影像中提取苹果园的空间特征像素与时序特征像素。然后,构建元特征描述特征像素在候选地块中的分布情况,与地块的内在特征共同组成苹果园地块的分类特征;③使用随机森林(Random Forest,RF)将候选地块分类为苹果园地块和非苹果园地块。以山东省栖霞市西城镇为研究区,从43238个候选地块中提取出30292个苹果园地块,分类总体精度达到92.7%。利用RF算法自带的平均精度减少指标(Mean Decrease in Accuracy,MDA)对17种分类子特征进行特征重要性分析,证明本文提出的元特征比传统人工设计特征具有更强的信息抽象与特征表达能力。该框架成功实现场景复杂的小农经营区地块级苹果园制图,可推进精准果园农业的发展。

摘要：真实的数据是支撑智慧水务系统正确决策的前提条件。针对联盟链、公有链吞吐量低的问题与智慧水务中数据量大的特点,以某智慧水务框架下的海绵城市运行监管平台为例,设计并实现一种基于私有链的数据监管方法。该方法以传感器实时数据构建哈希树,将哈希树根交给时间戳服务器签名;时间戳签名、时间戳、哈希树根等存储在私有链区块头中,其余哈希树非根顶点存储至区块体中。以此私有链作为运行监管平台时间序列数据的证明文件,具有签名很难伪造和证明文件伪造成本高的特点,可达到证明文件难以被篡改,且可高效检测出被篡改数据的目的。实验结果表明,该方法可发现被篡改数据的时间段、被篡改数据的传感器编号以及验证数据时间戳签名的有效性,在篡改时基于内存难度的Cuckoo Cycle算法较基于计算难度的算法需要更多的硬件成本。

摘要：互联网的飞速发展使得新闻数据呈爆炸增长的趋势。如何从海量新闻数据中获取当前热门事件的主题演化过程成为文本分析领域研究的热点。然而,常用的传统动态聚类模型处理大规模数据集时灵活性差且效率低下,现有的深度文本聚类模型则缺乏一种通用的方法捕捉时间序列数据的主题演化过程。针对以上问题,设计了一种深度动态文本聚类(DDDC)模型。该模型以现有的深度变分推断算法为基础,可以在不同时间片上捕捉融合了前置时间片内容的主题分布,并通过聚类从这些分布中获取事件主题的演化过程。在真实新闻数据集上的实验结果表明,在不同的数据集上,与动态主题模型(DTM)、变分深度嵌入(VaDE)等算法相比,DDDC模型在各时间片的聚类精度均至少提升了4个百分点,且归一化互信息(NMI)至少提高了3个百分点,验证了DDDC模型的有效性。

摘要：针对核电工况参数预测的问题,利用核电站传感检测系统采集的大量时间序列,提出了基于长短时记忆网络(LSTM)的多特征融合多步状态预测模型。以某核电厂实时参数系统采集到的SG1蒸汽压力传感数据为研究对象,首先针对数据缺失、采样时标不一致问题进行数据预处理,然后完成基于LSTM的多特征融合多步状态预测模型的结构设计与建模,最后将本文提出的预测模型与循环神经网络(RNN)、门控循环单元(GRU)、本文模型-全连接层1以及单变量LSTM等多步预测模型进行比较。实验结果表明,本文提出的预测模型的拟合性能和预测性能整体最优,同时也验证了基于LSTM模型的深度学习方法在核电站运行安全保障领域的适用性。