简论分段基于数据挖掘技术股票预测与生

最后更新时间：2024-04-16 作者：用户投稿原创标记

本站原创点赞:16697 浏览:71231

论文导读：的学术背景与探讨作用11-121.2数据挖掘的概述12-161.2.1数据挖掘的定义131.2.2数据挖掘的数据类型13-141.2.3数据挖掘的策略及运用14-161.2.4数据挖掘系统的分类161.3时间序列数据挖掘的国内外近况16-191.4本论文的主要工作19-21第2章时间序列的相似性挖掘21-272.1时间序列的定义212.2时间序列的相似性不足相关概念
摘要：现如今提到数据挖掘技术，相信大家都并不陌生，因为它已渐渐融入在我们生活的方方面面。当今社会的计算机技术的迅猛进展给我们的生活带来的各种便利，同时伴随着我们对数据的操作与探讨的广度和深度的加深，人们已经不再只满足对海量数据的表面性掌握，更希望获得到更多更有价值的信息，而数据挖掘技术就是帮助人们解决这一不足，即以海量数据中挖掘其背后的信息。如今对于时间序列数据挖掘的探讨有很多的方面，其中相似性挖掘和方式挖掘是时下比较流行也是受到国内外学者关注较多的探讨。作为数据挖掘的一项基础探讨，相似性挖掘对探讨数据挖掘的各个方面有着重要的作用。而在相似性探讨中面对的一个重要不足就是如何解决对时间序列数据的压缩与表示，在这方面人们也早已进行了系统而深入的探讨，同时也提出了多种时间序列的表示策略来对数据量进行处理。本论文以股票时间序列数据为对象，在对时间序列数据线性化的章节提出基于特点点与临界分段斜率比较的策略更好对数据进行线性划分，该策略以原始序列中提取特点点，以特点点来作为分段的界线，并通过比较临界分段斜率拟合数据。该策略在保证时间序列数据原有特点的基础上，并且对于时间序列的多种变形都不敏感。针对包含大量噪声并有着数据缺失的高维多元时间序列数据，本论文提出的是一种基于斜率表示的时间序列相似性度量策略，该策略在对时间序列数据的分段线性化的基础上，对分段线段进行斜率的相似性度量，概念更清晰明确。并且以数据线性化和相似性度量策略为基础，对实际股票数据进行了预测与浅析。关键词：线性分段论文相似性搜索论文分段斜率论文特点点论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-6
ABSTRACT6-11
第1章绪论11-21

1.1 课题的学术背景与探讨作用11-12

1.2 数据挖掘的概述12-16

1.2.1 数据挖掘的定义13

1.2.2 数据挖掘的数据类型13-14

1.2.3 数据挖掘的策略及运用14-16

1.2.4 数据挖掘系统的分类16

1.3 时间序列数据挖掘的国内外近况16-19

1.4 本论文的主要工作19-21

第2章时间序列的相似性挖掘21-27

2.1 时间序列的定义21

2.2 时间序列的相似性不足相关概念21-23

2.3 时间序列的相似性测量策略23-25

2.4 时间序列相似性搜索的探讨历史与近况25-27

第3章时间序列的分段线性化描述27-36

3.1 引言27-28

3.2 时间序列方式表示策略28-29

3.3 基于特点点和分段斜率的线性化分段29-34

3.1 相关概念介绍30-31

3.2 检索特点点31-32

3.3 线性分段的表示算法32-34

3.4 实验与小结34-36

第4章时间序列的相似性测量36-45

4.1 引言36

4.2 时间序列的相似性度量策略介绍与比较36-40

2.1 欧式距离度量策略36-38

2.2 方式距离度量策略38-39

2.3 角度距离测量策略39-40

4.3 基于斜率的相似性度量策略40-42
4.

3.1 相关概念与定义40-41

3.2 算法实现41

3.3 斜率距离浅析41-42

4.4 基于斜率的相似性度量策略验证42-45
第5章相似性挖掘在股票预测中的运用45-53