1、近幾年來，數(shù)據(jù)挖掘技術(shù)已經(jīng)應用到很多研究領域中，挖掘的數(shù)據(jù)類型也越來越復雜.作為研究熱點之一的時間序列數(shù)據(jù)也得到越來越廣泛地關注，例如股票交易數(shù)據(jù)、醫(yī)學腦電波圖像、經(jīng)濟銷售預測、手寫字跡圖像以及人體姿勢分析等.所有這些數(shù)據(jù)都有一個共同的特征，即數(shù)據(jù)本身是順序相關的，且都是相同時間間隔內(nèi)獲取的實值型數(shù)據(jù)，定義具有上述特征的數(shù)據(jù)為時間序列數(shù)據(jù).以上可以看出，使用一般的數(shù)據(jù)挖掘方法從時間序列數(shù)據(jù)中進行知識學習是不適用的，并且隨著大數(shù)據(jù)理論的不

2、斷發(fā)展以及數(shù)據(jù)特征的不斷更新變化，希望能夠增量式地處理數(shù)據(jù)以減小時間序列數(shù)據(jù)的處理時間以及對存儲空間的需求.
　　本文基于時間序列數(shù)據(jù)維度高、實值有序、數(shù)據(jù)間存在自相關性等特點，對時間序列分類過程進行了研究.論文綜述了時間序列數(shù)據(jù)的預處理過程、數(shù)據(jù)表示技術(shù)、相似性度量方法以及時間序列分類現(xiàn)狀等幾個方面的內(nèi)容.總結(jié)了當前比較流行的時間序列分類方法的研究現(xiàn)狀，其中值得一提的是基于shapelet決策樹的時間序列分類以及基于shapel

3、ets轉(zhuǎn)化的時間序列分類.繼而，本文重點研究了基于增量式的時間序列分類算法.
　　首先，從圖像處理的角度出發(fā)，提出了一種將圖片信息轉(zhuǎn)化為時間序列數(shù)據(jù)的方法——ITTS方法.正如植物圖片信息、手寫字跡、人體姿勢等圖像信息，肉眼直觀獲取到的信息不能直接應用到時間序列分類方法中，那么本文提出的ITTS方法能夠從圖像中獲取所需要的時間序列數(shù)據(jù).
　　其次，提出了一種基于增量式?jīng)Q策樹的時間序列分類算法——ISDTC算法.傳統(tǒng)的時間序列

4、分類算法只能處理靜態(tài)數(shù)據(jù)集，本文在此基礎上提出的算法能夠增量式地處理數(shù)據(jù)集，其中ISDTC算法是基于增量式?jīng)Q策樹的時間序列分類過程.實驗表明，本文提出的ISDTC算法最終構(gòu)建的決策樹與使用靜態(tài)數(shù)據(jù)集構(gòu)建的決策樹非常相似.
　　最后，提出了一種基于動態(tài)發(fā)現(xiàn)shapelets的增量式時間序列分類算法——IPST算法.shapelets作為最能夠表示一條時間序列的子序列，隨著時間的推移，這個特征序列可能會動態(tài)發(fā)生變化.基于這樣的思想，本