基于粒计算的多元时序数据语义建模、算法及应用研究

In the era of big data, time series data present themselves to be higher dimensionality, more massive and more complex uncertainty. The traditional analysis and modeling methods of time series data are still in the processing stage of single granularity centered on numeric data and lack of interpretability. At present, a more visible and pressing need for analyzing and modeling time series data is to make the analytic and predicted results semantics so that users can understand and apply these results coming with semantics to guide the analysis, reasoning, decision-making and control of systems. For this purpose, starting with exploiting granular computing to depict granulation cognition mechanism from human, this project synergistically uses interval analysis and fuzzy set theory to research (1) the hyperbox representation-based multi-granularity information granulation of multivariate time series data, (2) the hyperbox information granules-based linguistic description of multivariate time series data and (3) the construction of linguistic granular model of multivariate time series data. Finally, the formed linguistic granular model is applied to model financial data for validating its effectiveness and practicability. These researches will further enrich theory and analysis of time series data, and provide a new idea for the knowledge discovery and representation, decision-making of multivariate time series data and system regulation.

在当今大数据时代，时序数据越来越呈现出高维、海量和复杂不确定性等特点，经典的时序数据分析与建模方法还停留在以数据为中心的单一粒度处理阶段，缺乏可解释性研究。从更高和更抽象的语义层次去分析和建模时序数据，使产⽣的分析和预测结果能够为清晰的语义所解释，从而让用户能够真正理解和运用这些结果去指导系统的分析、推理、决策和控制，是当前时序数据分析和建模的⼀个迫切需求。为此，本项目拟从刻画人类粒化认知机理出发，基于粒计算，协同区间分析和模糊理论，研究(1)基于超盒表示的多元时序数据多粒度信息粒化，(2)多元时序数据的粒化语义描述和(3)多元时序数据语义粒模型的构建，并将其应用于金融数据来验证其有效性和实用性，这将进一步丰富时序数据的分析与建模理论与方法，为多元时序数据的分析、知识发现与表示、决策和系统调控提供了⼀个新的思路。

如何建立具有可解释性的模型是人工智能领域的一个重要研究方向。本项目的最终目的是在粒计算框架下，针对多元时序数据，构建语义粒模型。本项目围绕其所涉及的三个关键问题i）多元时序数据的多粒度信息粒化，ii）多元时序数据的语义粒描述和iii）基于信息粒的多元时序数据语义建模开展了深入的研究。针对问题i），提出了基于多超盒矩阵表示的多粒度信息粒化方法和信息粒性能评价指标，并将多粒度概念引入到多元时序数据优化分割中，克服了传统多元时序数据的信息粒化方法只能在单一粒度下进行的不足，从而进一步发展了多元时序数据的信息粒化方法；针对问题ii），将经典的只能处理数值数据的模糊聚类拓展至其能处理超盒信息粒，并以此为基础，提出了基于特征空间超盒信息粒聚类的语义概念生成方法，并利用区间之间的包含关系、覆盖关系和区间代数，建立了概念度量方法，实现了多元时序数据的语义粒化描述；针对问题iii），提出了基于超盒信息粒的语义规则挖掘方法和语义粒模型的评价方法，建立了基于语义规则的多元时序数据粒模型和基于模糊认知图的多元时序数据粒模型，实现对多元时序数据在粒水平上的语义预测。并以此为基础，创新性将模糊认知图粒模型的学习问题转换成凸优化问题，提出了模糊认知图粒模型的快速鲁棒学习方法，突破了目前模糊认知图粒模型的学习普遍采用基于种群的优化的学习方法所带来的学习速度慢和学习精度差等缺陷。依托本项目共发表SCI论文6篇，其中在本领域国际顶级期刊《IEEE Transactions on Fuzzy Systems》和《IEEE Transactions on Cybernetics》上分别发表2篇，在本领域重要期刊《Information Sciences》和《Knowledge-based Systems》上各发表1篇。在EI检索期刊上发表论文1篇，在IFSA2019国际会议上发表论文1篇。