时态序列中的信息转移挖掘研究

本课题从时态序列预测和干预的实际应用中提炼出一种蕴藏在时态序列中的新的知识类型- - 信息转移，提出一种新的数据挖掘任务- - 信息转移挖掘，以揭示蕴藏于海量、多源时态序列数据中的信息运动规律，从信息运动的角度研究时态序列的可预测性和可干预性，为时态序列预测和干预构建统一、可靠的理论基础。主要研究工作包括（1）以信息熵分析、差（微）分方程和元胞自动机为主要理论工具，针对数值型、符号型和二者混合的时态序列，构建统一的信息转移度量模型和动力学模型；（2）以数据流处理和挖掘的研究成果为基础，研究从海量、多源时态序列中发现信息转移的一系列挖掘算法；（3）研究信息转移的知识管理算法，研发面向时态序列预测和干预的原型应用系统。本课题是从信息运动的角度出发对时态序列数据挖掘作出的新探索，体现了计算机科学与信息论、控制论等学科的交叉，可望建立一个新的研究方向和创新源头。

本课题从时态序列和异构信息网络的预测和干预等实际应用出发，对信息转移的挖掘问题进行了研究。主要研究工作包括（1）实体识别问题，以轨迹序列分析为主要实际应用场景，提出了基于时空关联语义和时态熵的序列角色识别算法。（2）提出了敏捷预测的概念和算法，从多源混杂时态序列中识别同源，并利用既可能少和尽可能尽的历史对尽可能远的未来进行预测。（3）对人类时空轨迹序列的信息转移模型进行了研究。提出了基于卡尔曼滤波的人类时空个轨迹动力学模型和时空预测算法。（4）对单一异构信息网络中的信息转移分布问题进行了研究，为以捕捉邻居分布的动力学规律，针对邻居结点信息分布提出了演化因子模型（Evolution Factor Model，EFM），提出了EFM的学习算法，有效克服了数据稀疏性的影响。本课题是从信息运动的角度出发对时态序列数据和异构信息网络数据的融合挖掘作出的新探索，体现了计算机科学与网络科学、信息论、控制论等学科的交叉，可望在本课题基础上，建立一个新的研究方向和创新源头。