融合序列分解与时空卷积的时序预测算法

现有深度学习方法在对时间序列预测时,未充分考虑空间依赖性,且长期预测的准确率也较低.针对此问题,提出一种融合时间序列分解策略和时空卷积神经网络的时序预测模型SDBRNN(Series-Decomposition-Block Re-current Neural Network).该模型首先学习序列的多周期值并对序列进行最...     

一种流数据立方体分析挖掘框架

流数据是目前一种重要的数据展现形式,对流数据进行OLAM(联机分析挖掘)操作可为分析人员提供多层次的数据视图。但OLAM要求在不同粒度中实现对数据的聚合操作,而流式数据内含时态特性和持续到达特性,使得数据无法被多次重复操作。使用传统OLAP(联机分析处理)方法无法生成部分物化视图且流数据规模宏大,受限于存储空间大小而无法保存全部数据单元信息。针对上述问题,提出了一种基于概要技术的流数据OLAM框架——sketch cube(概要立方体),该框架把任意维度组合映射成唯一自然数,根据上下限单调原则对维度组合裁剪,在类线性空间中保存有效数据单元信息,并构建时间序列索引提高检索效率。通过理论分析给出使用sketch cube的前提条件,同时通过真实海量流数据实验分析表明,sketch sube在有效性、存储空间效率和正确率上可以满足实时挖掘的需求。