本書在以往時間序列預測的研究基礎上，抽取了LE、幾個時域特征（幅值平方和、峰值、方差、峰度、偏度）、功率譜密度、趨勢項系數(shù)、時頻轉換特征項、自相關函數(shù)、偏相關函數(shù)、周期項系數(shù)等幾個序列特征，分別采用了基于層次的CURE聚類方法、減聚類與CURE聚類結合的聚類方法對長時間序列進行聚類。實踐證明，該金融時間序列挖掘模型能有效地指導用戶的市場行為，輔助用戶決策。無疑，本書的研究將填補國內(nèi)在時間序列數(shù)據(jù)挖掘領域中對長時序進行研究的空白，將為國內(nèi)金融時間序列挖掘研究填充新的內(nèi)容。
|
