时间序列数据挖掘中的聚类模型与算法研究

近年来，各种聚类方法已经在数据挖掘领域中得到了较为深入的研究，但这些方法大多是针对关系数据库中的静态数据对象而提出的。然而在现实世界中越来越多的应用涉及到随时间变化的动态数据对象的聚类分析。本项目将针对从时间序列数据中进行数据挖掘的实际需要，利用多元统计分析方法、机器学习方法和智能优化方法的最新研究成果，深入研究时间序列数据挖掘中的聚类模型与算法。主要研究内容包括：（1）基于独立成分分析的时间序列数据特征抽取方法；（2）基于核矩阵的时间序列数据相似性度量方法；（3）基于智能优化算法的时间序列聚类方法；（4）结合金融数据分析的实际背景，利用金融数据验证提出的模型与算法，设计并实现一个可用于金融时间序列数据聚类分析的软件原型系统。时间序列数据聚类有着广泛而重要的应用背景，本项目的研究将有利于推动时间序列数据挖掘聚类方法的进一步发展，具有重要的理论意义和实用价值。