删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于seasonal-trend-loess方法的符号化时间序列网络

本站小编 Free考研考试/2021-12-29

摘要:为了有效控制海量数据时间序列网络的规模并使得网络更贴近实际, 符号化时间序列网络成为研究热点. 结合周期性时间序列的seasonal-trend-loess方法和符号化转化方法, 本文提出一种新的符号化时间序列建网方法. 该方法考虑了单个数据值的状态又结合了序列的长远变化趋势. 以符号模式为节点; 依时间顺序推移, 以节点间的邻接转换关系定义连边; 根据转换方向和转换频次确定连边的方向和权重, 建立有向加权网络. 分别以航空旅客吞吐量时间序列和因特网流量时间序列为实验数据构建的两个时间序列网络, 有明显差异的拓扑特征; 进一步对移动通信语音时间序列做了实证分析, 挖掘时间序列数据的本质规律.
关键词: 周期时间序列/
seasonal-trend-loess方法/
复杂网络/
拓扑特征

English Abstract


--> --> -->
将时间序列通过某种对应关系映射为复杂网络的思想最早由Zhang和Small提出, 这一创造性的想法为时间序列的分析方法提供了新的研究方向和视角. 2006年, Zhang和Small[1]首次由伪周期时间序列构建了复杂网络. 之后, 时间序列网络方法成为热门的研究方向之一并被应用到许多领域, 如: 医学[2]、金融学[3]、交通运输[4,5]. 目前, 普遍应用的时间序列建网方法有: 基于相空间重构法建网[6,7]、基于可视图方法建网[8,9]、基于递归法建网[10]和基于符号模式建网[11-13].
基于相空间重构法建网是经典的时间序列建网方法之一. Yue和Yang[6]提出基于相空间建网方法分析时间序列. 将时间序列划分、重构, 转化为一系列长度一定的向量; 然后以向量为节点, 根据向量间的Pearson相关系数确定连边, 构建出一个无向无权网络. 应用该方法分析时间序列时, 确定向量的滞后期以及确定相关系数的阈值比较复杂. 为此, 一些科学家对相空间重构建网方法进行了改进. 其中, Gao和Jin[7]引入伪最近邻方法[14]估计嵌入维数和延迟时间, 使得由时间序列重构相空间变得更加精确, 从而可以根据复杂网络的拓扑特征得出最佳的相关系数阈值. 但是, 由于该方法在确定阈值时存在不确定性, 导致建立的网络的鲁棒性较差.
可视图建网方法[8,9]是另外一种经典建网方法. 该方法将时间序列柱状图中的每个时间序列值视为一个网络节点, 如果柱状图中的两个柱体可以无障碍可视, 则柱体对应的两个节点之间连边, 从而构建出一个无向无权网络. 网络的总节点数等于时间序列数据值的总个数. 由于可视图建网方法的生成过程简便、网络鲁棒性较好, 使得该法应用于医学[15]、地质学[16]、经济学[17]、天文学[18]等众多领域. 根据类似的原理, Luque等[19]于2009年提出水平可视时间序列建网方法. 周婷婷等[20]提出有限穿越水平可视图时间序列建网方法, 高忠科等[21]运用有限穿越水平可视图方法分析了两相流的形成动力学. 传统的可视图方法是有限穿越水平可视图方法在可视距为1时的特殊情况. 此外, 高忠科等[22]还提出了多尺度有限穿越水平可视图时间序列建网方法, 它是水平可视图和有限穿越水平可视图的进一步拓展.
递归网络建网方法由Marwan等[10]提出. Subramaniyam和Hyttinen[23]应用递归网络建网方法分析了脑电图时间序列, 研究癫痫病患者的行为动力学. 近几年, 基于符号模式建网方法成为新的研究热点. 符号化时间序列建网方法考虑了节点之间的方向和权重, 构建的加权有向网络更加贴近实际. Karimi和Darooneh[11]对平稳时间序列做符号化转化, 将时间序列映射为网络, 发现网络度的组合参数对不同流型之间的过渡非常敏感, 可以用来区分不同的流型. 之后, 曾明等[12]提出符号化模式表征建网方法, 将原始时间序列标准化、符号化处理后, 映射为一个有向加权网络并分析了网络的拓扑性质. 符号化模式表征建网方法可以区分周期时间序列和混沌时间序列. 此外, Zhang和Na[13]应用符号化模式表征的建网方法研究了空气质量指数等问题.
针对一类周期性时间序列, 本文提出一种基于STL (seasonal and trend decomposition using loess, STL)方法的符号化有向加权网络建网方法. 与其他的符号化建网方法相比, 本文提出的基于STL方法的时间序列建网方法以数据点为基元构建网络, 既考虑了单个数据的状态又融合了时间序列的长远变化趋势. 首先, 依据STL方法将时间序列转化为三个状态项: 季节项、趋势项和随机项; 然后, 使用符号化方法对状态值做区间划分和符号转化, 使得每个数据值表示为由状态符号构成的符号模式; 接着, 以符号模式为节点, 依时间顺序推移, 把数据间的邻接转换关系定义为节点间的连边; 最后以转换方向和转换频次作为连边的方向和权重, 建立有向加权网络.
2
2.1.STL方法
-->STL方法是一种基于局部加权回归的时间序列分析方法[24]. 运用局部多项式回归拟合方法, STL方法将时间序列表示为趋势、季节和余项三部分. 即时间序列Yn = {yi, i = 1, 2, …, n}通过STL可以转化为趋势Tn = {ti, i = 1, 2, …, n}, 季节Sn = {si, i = 1, 2, …, n}和余项Rn = {ri, i = 1, 2, …, n}; 其中n表示时间序列长度. STL方法由内循环和外循环组成; 内循环包含去趋势、周期序列平滑等六步; 外循环的主要作用是引入稳健性权重项, 以控制数据中异常值产生的影响. STL方法具有快速的计算速度和分析含缺失值时间序列的能力. 此外, STL方法对具有趋势和季节性成分的数据形成可靠估计, 使得这些数据不会被异常行为所扭曲.
2
2.2.度与度分布
-->网络中, 节点的度k定义为直接与节点相连的连边的数目. 对于一个给定的有向加权网络G, 假设网络的权值邻接矩阵为W = (wij), 则节点i的加权出度和加权入度分别为
$s_i^- = \sum\limits_j {{w_{ij}}},\;s_i^ + = \sum\limits_j {{w_{ji}}},$
则节点i的加权度为
${s_i} = \sum\limits_j ( {w_{ji}} + {w_{ij}}).$
网络的加权出度分布p(s)定义为加权出度为s的节点被随机选中的概率. 类似地, 网络的加权入度分布p(s+)定义为加权入度为s+的节点被随机选中的概率. 实际应用中, 为了降低分布的尾部噪音, 常常采用累积分布分析网络的拓扑特征. 累积分布描述了序列中频数不小于某个特定值的概率. 本文分析了时间序列网络的累积加权入度分布, 累积加权出度分布和累积加权度分布.
在基于STL方法的符号化有向加权网络中, 节点的加权出度越大表示节点对应的数据值在时间序列中出现的频率越高, 这表明该节点向其他节点转化的次数越多. 如果节点的加权度值很小, 则说明该状态在时间序列中出现的频次很少, 可能是一些突发情况导致的时间序列值突然增大或减小.
2
2.3.聚类系数与路径长度
-->网络中, 节点的聚集程度可以用节点的聚类系数来描述. 节点i的聚类系数定义为
${c_i} = \frac{1}{{{k_i}({k_i} - 1)}}\sum\limits_{j,k = 1}^{} {{a_{ij}}{a_{jk}}} {a_{ki}},$
其中, ki为节点i的度, aij是邻接矩阵A = (aij)的元素. 当且仅当节点i, j, k构成一个三角形时, aijajkaki = 1, 否则aijajkaki = 0. 网络中所有节点的聚类系数的平均值定义为网络的聚类系数. 社会网络中, 节点的聚类系数可以表示“朋友的朋友也是朋友”的倾向性大小. 在基于STL方法的符号化有向加权网络中, 节点i的聚类系数越大, 表明符号模式i的相邻符号模式之间转换越频繁.
节点i和节点j之间的最短路径长度lij定义为从节点i到节点j的最短路径上连边的数量. 网络的平均路径长度L定义为任意两个节点的最短路径长度的平均值, 即
$L = \frac{1}{{{{\left[ {N(N - 1)} \right]} / 2}}}\sum\limits_{i \geqslant j} {{l_{ij}}}. $

2
2.4.介 数
-->以经过某个节点的最短路径的数目刻画节点重要性的指标被称为介数中心性, 简称介数. 网络中, 节点i的介数用bi表示, 定义为
${b_i} = \sum\limits_{s \ne i \ne t} {{{n_{st}^i}/ {{n_{st}}}}}. $
其中, nst是从节点s到节点t的最短路径的数目, nist为从节点s到节点tnst条最短路径中经过节点i的最短路径的数目. 从信息传输的角度看, 网络中介数越高的节点重要性越大, 对网络的信息传输影响越大.
针对一类具有周期性特征的时间序列数据, 本文提出基于STL方法的符号化有向加权网络建网方法. 原始时间序列数据经过STL分析以及符号化处理之后, 不仅保持了数据的信息量, 而且可以在短期细节和长期趋势两方面体现时间序列数据的特点. 具体的时间序列网络建立过程如下.
a) STL分析. 依据STL方法, 将时间序列转化为季节项、趋势项和余项之和, 即Yn = Sn + Tn + Rn. 其中n是时间序列的长度, Sn = {si, i = 1, 2, …, n}是季节项, Tn = {ti, i = 1, 2, …, n}是趋势项, Rn = {ri, i = 1, 2, …, n}是余项.
b)符号化. 根据三个状态项对原时间序列的影响程度, 选用不同权重的符号化阶数对状态变量序列做层次划分. 得到三组符号化时间序列:
$\left\{ \begin{aligned}& g\left( {{S_n}} \right) = \left\{ {g\left( {{s_i}} \right),i = 1, \cdots,n} \right\}, \\& g\left( {{T_n}} \right) = \left\{ {g\left( {{t_i}} \right),i = 1, \cdots,n} \right\}, \\& g\left( {{R_n}} \right) = \left\{ {g\left( {{r_i}} \right),i = 1, \cdots,n} \right\},\end{aligned} \right.$
其中g(si), g(ti), g(ri)表示符号. 此时, 每个时间序列值表示为符号模式
${\rm{mod}}{{\rm{e}}_i} = g\left( {{s_i}} \right)g\left( {{t_i}} \right)g\left( {{r_i}} \right).$
c)构建网络. 以互不相同的符号模式为节点, 以两个不同符号模式的相邻关系作为连边, 以两个互异符号模式相邻的次数和符号模式的先后顺序作为连边的权重和方向, 建立一个有向加权网络.
为了实现对真实时间序列数据的比较分析, 在执行STL分析与符号化之前, 对原始时间序列数据{xi, i = 1, 2, …, n}进行归一化处理. 采用归一化方法: yi = (xixmin)/(xmaxxmin). 归一化之后的时间序列{yi, i = 1, 2, …, n}保持了原时间序列的周期性特征和变化趋势等特点, 并且取值范围在[0, 1].
在执行数据符号化时, 如果符号化阶数太小, 会导致时间序列信息的流失; 如果符号化阶数太大, 会使得符号模式过多, 不能体现符号化的优势. 因此, 考虑到准确体现时间序列特点和构建网络的规模需要适度, 经过多次试验才确定了最优的符号化阶数. 季节项的符号化阶数为m1 = 8, 趋势项的符号化阶数为m2 = 18, 随机项的符号化阶数为m3 = 4.
为了验证所提出的基于STL方法的时间序列网络建模方法的有效性和实用性, 分别以具有非平稳特征的航空旅客吞吐量时间序列和具有平稳特征的因特网流量时间序列为例, 使用新方法建立有向加权网络. 分析网络的度分布、聚类系数、平均路径长度等拓扑性质, 从网络拓扑特征的角度对这两个实际时间序列做比较分析.
2
4.1.航空旅客吞吐量时间序列网络
-->航空旅客吞吐量数据取自澳门国际机场专营股份有限公司(Macau International Airport Co. Ltd.)的官方网站. 时间序列跨度从1996年1月到2017年12月. 每月记录一次吞吐量数据, 表示该月内航空旅客的人数, 共有264条记录. 时间序列整体呈现上升趋势, 其周期为12. 此外, ADF检测结果显示, 该时间序列数据为非平稳性时间序列.
航空旅客吞吐量时间序列的STL分析如图1(a)—(d)所示. 季节项时间序列以周期规律呈现, 每个周期有12个值, 反映这个周期内数据波动的细微变化. 趋势项时间序列体现了原时间序列的变化趋势. 整体而言, 数据呈上升状态; 但是, 其中有两个时间段下降明显. 随机项时间序列为季节项和趋势项的残差值, 呈现不规则变化.
图 1 (a)?(d)航空旅客吞吐量时间序列的STL分析 (a)原始时间序列; (b)季节项时间序列; (c) 趋势项时间序列; (d) 随机项时间序列; (e)航空旅客吞吐量时间序列网络
Figure1. (a)?(d) The STL analyzing for the air passengers throughput time series: (a) Original time series; (b) seasonal time series; (c) trend time series; (d) remainder time series; (e) the time series network of the air passengers throughput data.

图1(e)是航空旅客吞吐量时间序列网络. 该网络有107个节点, 178条有向边. 节点的面积大小与节点的加权度有关, 加权度越大, 节点的面积越大; 连边的宽度反映了连边的权重, 边权越大, 连边的宽度越宽. 网络中加权度最大的节点是V42和V43, 它们的加权度都是20; 网络中加权度最小的节点比较多, 加权度值为1. 网络中边权的最大值为7, 即图中连接V42和V43的边; 网络中边权的最小值为1. 航空旅客吞吐量时间序列网络的平均加权度为4.430, 聚类系数为0.169, 平均路径长度为13.355.
航空旅客吞吐量时间序列网络具有指数加权度分布. s+表示节点的加权入度, s表示节点的加权出度, s表示节点的加权度. 单对数坐标系下, 航空旅客吞吐量时间序列网络的累积加权度分布近似呈直线型, 拟合优度检验显示三个度分布均服从指数分布. 其中, 网络的累积加权入度分布服从指数为0.3990的指数分布(可决系数R2 = 0.9280), 如图2(a)所示; 网络的累积加权出度分布服从指数为0.6151的指数分布(R2 = 0.9960), 如图2(b)所示; 网络的累积加权度分布服从指数为0.2555的指数分布(R2 = 0.9670), 如图2(c)所示.
图 2 航空旅客吞吐量时间序列网络度分布 (a)累积加权入度分布; (b)累积加权出度分布; (c)累积加权度分布
Figure2. The degree distribution of the time series network for air passengers throughput data: (a) The cumulative weighted in-degree distribution; (b) the cumulative weighted out-degree distribution; (c) the cumulative weighted degree distribution.

2
4.2.因特网流量时间序列网络
-->因特网流量数据[25]表示英国学术网络主干网的聚合流量. 数据时间截取于2005年1月16日至2005年1月26日. 每5 min记录一次流量数据, 1天有288条记录, 11天共产生3168条记录. 该时间序列是周期为288的周期性时间序列. ADF检测显示, 因特网流量时间序列为平稳时间序列.
图3(a)—(d)是因特网流量时间序列的STL分析图. 2005年1月16日、22日和23日分别为星期日、星期六和星期日, 这三天产生的因特网流量偏小. 星期一至星期五的流量时间序列整体趋势一致且较为稳定. 季节项时间序列以周期规律呈现, 包含11个周期, 每个周期有288个数据, 反映这个周期内数据波动的细微变化. 趋势项时间序列从星期一至星期五, 数据伏动较小, 呈现平稳状态; 在星期六、星期日, 数据伏动有明显的下降. 随机项时间序列呈现不规则变化.
图 3 (a)?(d)因特网流量时间序列的STL分析 (a)原始时间序列; (b)季节项时间序列; (c) 趋势项时间序列; (d) 随机项时间序列; (e)因特网流量时间序列网络
Figure3. (a)?(d) The STL decomposition results of the Internet traffic time series: (a) Original time series; (b) seasonal time series; (c) trend time series; (d) remainder time series; (e) the time series network of the Internet traffic data.

根据本文第3节提出的方法, 将因特网流量时间序列映射为一个有向加权网络(图3(e)). 该网络有160个节点, 244条有向边. 节点V79和V80的加权度值最大, 为54; 网络中存在大量加权度值较小的节点. 连边权重的最大值为22, 如图3(e)所示, 恰好是连接节点V79和节点V80的连边的权重. 因特网流量时间序网络的平均加权度为5.538, 聚类系数为0.249, 平均路径长度为25.61.
因特网流量时间序列网络的度分布服从幂律分布. 如图4所示, 在双对数坐标下, 累积加权度分布近似呈直线型, 拟合优度检验显示三个累积加权度分布均服从幂律分布. 其中, 网络的累积加权入度分布服从幂指数为1.202的幂律分布(可决系数R2 = 0.9960), 如图4(a)所示; 网络的累积加权出度分布服从幂指数为1.202的幂律分布(R2 = 0.9957), 如图4(b)所示; 网络的累积加权度分布服从幂指数为1.223的幂律分布(R2 = 0.9940), 如图4(c)所示. 综上, 三个累积度分布均服从幂指数小于2的幂律分布. 因特网流量时间序列网络是一个无标度网络.
图 4 因特网流量时间序列网络的度分布 (a)累积加权入度分布; (b)累积加权出度分布; (c)累积加权度分布
Figure4. The degree distribution of the time series network for the Internet traffic data: (a) The cumulative weighted in-degree distribution; (b) the cumulative weighted out-degree distribution; (c) the cumulative weighted degree distribution.

2
4.3.分析与比较
-->航空旅客吞吐量时间序列是非平稳时间序列, 因特网流量时间序列是平稳时间序列. 采用所提出的STL分析符号化时间序列网络建模方法, 得到网络的拓扑特征总结如表1所示. 航空旅客吞吐量时间序列的数据长度是102数量级, 构建的加权有向时间序列网络的节点数为102数量级; 因特网流量时间序列的数据长度是103数量级, 构建的加权有向时间序列网络的节点数为102数量级. 航空旅客吞吐量时间序列具有非平稳性. 随着时间的推移, 符号模式很大程度上不重复, 使得符号化时间序列的符号模式种类较多, 从而航空旅客吞吐量时间序列网络的节点数亦较多. 因特网流量时间序列的趋势项整体呈平稳状态, 对应的符号化序列不规则重复. 在转换成符号模式的过程中, 符号模式的重复率较高, 转换频率较大, 从而种类较少, 连边的权重较大. 所以, 因特网流量时间序列网络具有较少的节点数和较大的平均加权度.
时间序列网络拓扑特征
长度周期节点数平均加权度聚类系数平均路径长度加权度分布
航空旅客吞吐量264121074.4300.16913.355指数分布
因特网流量31682881605.5380.24925.610幂律分布


表1两类时间序列网络拓扑特征的比较
Table1.The comparison for topological characteristics of two kinds time series networks.

2
5.1.时间序列数据
-->依据所提出的基于STL方法的时间序列建网方法, 将移动通信语音业务时间序列映射为一个有向加权网络. 删除数据记录不完整的周期, 并对初始数据进行归一化处理, 得到一个数值范围在[0, 1]的长度为52032的时间序列, 如图5(a)所示, 为前10个周期的语音时间序列数据. 通过STL分析, 季节项由长度为24的单周期季节趋势循环推移生成; 趋势项呈现不规则起伏变化.
图 5 (a)?(d)语音时间序列数据的STL分析 (a)原始时间序列; (b)季节项时间序列; (c) 趋势项时间序列; (d) 随机项时间序列; (e)基于STL方法的语音时间序列网络
Figure5. (a)?(d) The STL analyzing for the mobile traffic data: (a) Original time series; (b) seasonal time series; (c) trend time series; (d) remainder time series; (e) based on the STL decomposition, the time series network of the mobile traffic data.

2
5.2.时间序列网络
-->由语音时间序列数据建立的有向加权网络如图5(e)所示. 该网络有230个节点, 1275条边. 网络中, 节点加权度的最大值为7740, 连边权重的最大值为2555. 网络的平均加权度为260.626, 聚类系数为0.298, 平均路径长度为5.142.
语音时间序列网络的累积加权度分布服从幂律分布, 度分布如图6所示. 累积加权度在双对数坐标下呈近似线性关系. 网络的累积加权入度分布(图6(a))、累积加权出度分布(图6(b))和累积加权度分布(图6(c))均服从幂律分布. 语音时间序列网络是一个无标度网络.
图 6 语音时间序列网络的度分布 (a)累积加权入度分布; (b)累积加权出度分布; (c)累积加权度分布
Figure6. The degree distribution of the time series network for the mobile traffic data: (a) The cumulative weighted in-degree distribution; (b) the cumulative weighted out-degree distribution; (c) the cumulative weighted degree distribution.

2
5.3.局部特征分析
-->通过网络的一些局部拓扑特征, 分析了语音时间序列数据值的特点. 移动通信语音时间序列网络依局部拓扑特征参数由大到小排序如表2所示. 依节点的聚类系数由大到小排序, 节点的符号模式如第一列所示; 依节点的加权出度由大到小排序, 节点的符号模式如第三列所示; 依节点的介数中心性由大到小排序, 节点的符号模式如第五列所示.
节点聚类系数节点加权出度节点介数
dcb1faa3874eoa9810.72
daa1aaa3780hia9605.21
aac1haa2597faa9295.21
deb1eaa2570eaa8532.04
dfb1gaa2564haa6180.21
dgb1daa1279aba4185.66
egc1aba890ana3933.32
aqb1fba765aoa3649.48
aob1eba564fra3475.81
dkb1hba550aga3389.27


表2网络节点模式特征表
Table2.The table for characteristics of node patterns.

节点的聚类系数为1表示该模式的任意两个邻居模式之间都存在连边, 即该节点的邻居节点之间彼此相连, 如图5(e)中的节点dcb的聚类系数为1, 说明节点dcb的邻居节点之间也是相邻关系. 在时间序列中, 符号dcb对应于0点或1点. 这个时间位于趋势项时间序列的局部极大值处. 类似地, 其他聚类系数为1的节点对应于语音时间序列数据时, 均由趋势项的局部极大值或局部极小值映射而来. 这代表了一天的语音量高峰期或低谷期.
加权出度较大的节点对应于时间序列上局部极大值和局部极小值之间的时刻. 例如, 图5(e)中节点faa对应于语音时间序列上的12点、15点和19点等数据. 结合实际情况, 可知加权出度大的节点对应于时间序列上的上班时间与休息时间的过渡时刻. 对于周期性时间序列而言, 这样的数据较多, 使得对应的节点的加权度较大. 语音时间序列网络中, 一些节点的介数中心性很大, 这些符号模式对网络上信息的流动有较大的影响力. 节点eoa的介数中心性为9810.72, 该符号模式对应于时间序列中每天的14点和20点.
采用复杂网络的量化统计量挖掘时间序列的内在信息为时间序列分析方法提供了一个全新的视角. 其中, 时间序列网络建模是最重要的方法之一. 经典方法构建出无向无权网络, 主要有相空间重构法和可视图方法以及他们的拓展模型. 这些方法实施简便, 但是, 却忽略了时间的单向性和基元之间的关联程度的差异. 针对上述问题, 科学家们提出了符号化时间序列建网方法, 基于该类方法构建的加权有向网络更加贴近实际. 已有的符号化时间序列建网方法以时间序列相邻数据的变化趋势的符号组为基元, 考虑了数据的变化过程, 却忽略了数据值本身的特征. 本文提出的基于STL方法的时间序列网络方法, 既考虑了单个数据值的状态, 又考虑了时间序列的长远变化趋势. 以时间序列上的数据点为基元构建网络, 可以通过网络的局部拓扑特征体现时间序列单个数据值的信息.
本文提出的基于STL方法的时间序列建网方法, 结合周期性时间序列的STL分析和符号转化方法构建出一个有向加权网络. 首先, 依据STL方法将时间序列的每个数据值表示为三个状态值. 其次, 通过对状态值做区间划分和符号化转化, 将每个数据值表示为状态符号. 最后, 依时间顺序推移, 以节点间的邻接转换关系定义连边; 根据转换方向和转换频次确定连边的方向和权重, 建立有向加权网络. 有向加权网络的拓扑特征可以反映时间序列的特点: 1)周期时间序列经STL分析之后, 趋势项可以展示时间序列的长期变化特点; 2)对于平稳性周期时间序列, 其周期项的规则性和趋势项的平稳性, 使得在转换成符号模式时, 符号模式的重复率较高, 转换频率较大, 所以生成网络的连边的权重较大; 3)在有向加权网络中, 聚类系数较大的节点对应着时间序列的高峰期或低谷期; 而加权出度较大的节点对应着时间序列上的局部极大值和局部极小值之间的过渡时刻.
在构建网络时, 使用了航空旅客吞吐量时间序列、因特网流量时间序列和移动通信语音业务量时间序列. 它们的共性是均为周期性时间序列, 差异性表现在平稳性上. 本文研究重点是基于时间序列构建新的建网方法, 适用于具有周期性的时间序列. 时间序列表示为周期态、趋势态和随机态的符号形式, 这些时刻符号不仅体现时间序列值的细节变化, 而且反映时间序列的长期发展趋势. 在确定符号化阶数时, 需要通过实验验证, 尚缺乏普适性的规则. 未来将继续完善方法并探索它们在动态建模[26,27]等领域的应用.
相关话题/序列 网络 数据 航空 节点

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 利用神经网络识别高分子链在表面的吸附相变
    摘要:采用深度神经网络和MonteCarlo(MC)模拟方法研究了线性高分子链在均质表面以及条纹表面的临界吸附现象.通过MC模拟退火算法构建高分子链的构象样本集,采用状态标记法和温度标记法对模拟产生的样本集进行标记并采用神经网络对标记后的样本进行训练,发现神经网络可以很好地识别高分子链在均质表面的脱 ...
    本站小编 Free考研考试 2021-12-29
  • 光频梳频域干涉测距主要参数分析及一种改进的数据处理方法
    摘要:本文对光学频率梳频域干涉测距中的测距范围、分辨力、非模糊范围等的影响因素进行了分析,并说明了传统傅里叶变换法的局限性和系统误差产生原因;提出了一种等频率间隔重采样数据处理方法,该方法基于三次样条插值,修正了傅里叶变换法因频率量不等间隔造成的误差;在此基础上提出峰值位置拟合算法,解决了包络随距离 ...
    本站小编 Free考研考试 2021-12-29
  • 多个耦合星型网络的同步优化
    摘要:本文讨论了星型网络中耦合Kuramoto振子的同步优化问题.分别考察具有随机频率分布叶子节点的单星型结构和多星型结构耦合网络达到同步所需的临界耦合强度.基于正弦函数的有界性导出的理论结果表明,单星型结构网络中,系统同步临界耦合强度与中心振子频率之间具有分段线性关系,而多星型结构耦合网络中,系统 ...
    本站小编 Free考研考试 2021-12-29
  • 异质弱相依网络鲁棒性研究
    摘要:传统研究认为网络间相依边的引入使网络鲁棒性大幅降低,但现实相依网络的鲁棒性往往优于理论结果.通过观察现实相依网络的级联失效过程,发现节点不会因相依节点失效而损失所有连接边,且由于网络节点的异质性,每个节点的连接边失效概率也不尽相同.针对此现象,提出一种异质弱相依网络模型,与传统网络逾渗模型不同 ...
    本站小编 Free考研考试 2021-12-29
  • 基于经验知识遗传算法优化的神经网络模型实现时间反演信道预测
    摘要:人工神经网络由于具有较强的非线性拟合能力,可用来建立终端位置与接收信号之间的映射关系,从而获得不同位置的信道特性.神经网络建模的精度一般由所使用的训练样本数量决定,训练样本数目越多,模型往往越精确.但大量的训练数据的获取,耗时较多.本文将经验知识融入遗传算法,对人工神经网络模型进行优化,实现了 ...
    本站小编 Free考研考试 2021-12-29
  • 基于<i>U</i>(1)对称的无限矩阵乘积态张量网络算法提取Luttinger液体参数<i>K </i>
    摘要:本文数值研究了自旋$S=1/2,1,2$的各向异性量子XXZD模型的Luttinger液体参数K.首先,利用$U(1)$对称的无限矩阵乘积态算法(iMPS)得到在Luttinger液体相中的基态波函数.通过二分量子涨落F和有限纠缠标度指数$\kappa$的关系可以提取出Luttinger液体参 ...
    本站小编 Free考研考试 2021-12-29
  • 风云四号A星和GOES-13相对论电子观测数据在轨交叉定标及数据融合研究
    摘要:地球磁层空间的相对论电子通过内部充放电效应,能够导致在轨航天器彻底失效.由于对这种空间粒子的特性和物理机制仍不清楚,磁层空间相对论电子一直是空间环境探测和空间科学研究的重要对象.开展相关磁层空间环境特性的研究和粒子辐射环境建模等,需要同时使用来自不同卫星、不同探测器的观测数据.消除不同探测器之 ...
    本站小编 Free考研考试 2021-12-29
  • 基于人工神经网络在线学习方法优化磁屏蔽特性参数
    摘要:磁屏蔽在磁场敏感的装置如原子钟、原子干涉仪等精密设备中发挥重要的作用,在变化外磁场下的某个磁屏蔽内部剩余磁场,可以通过Jiles-Atherton磁滞模型和磁屏蔽系数计算得出,根据计算结果可以进行主动补偿来抵消内部磁场的改变.然而实际应用中磁滞模型中五个与磁屏蔽相关的参数以及磁场衰减的两个参数 ...
    本站小编 Free考研考试 2021-12-29
  • 知识图谱复杂网络特性的实证研究与分析
    摘要:知识图谱是人工智能研究的新热点,用于解决智能检索、自动回答等应用问题.概念图谱是微软发布的大型知识图谱,本文以概念图谱为研究对象构建了概念图谱网络,并对其特性进行了分析.为解决概念图谱海量数据带来的计算困难,提出一种适合概念图谱的最大子网构建方法和一种网络近似平均路径的计算方法;对不同度值给出 ...
    本站小编 Free考研考试 2021-12-29
  • 基于加权<i>K</i>-阶传播数的节点重要性
    摘要:节点重要性对于分析网络结构具有重要意义.为了充分刻画网络全局和局部特性,本研究基于网络拓扑结构对疾病传播过程进行了抽象,分别设置各个节点为传染源,在经历传播时长K后,将网络中已感染节点的数量定义为K-阶传播数,最终基于不同K值下的K-阶传播数得到节点重要性结果.对Watts-Strogatz小 ...
    本站小编 Free考研考试 2021-12-29