论文题目：基于时间序列相似性度量的机场噪声监测点交互预测研究
摘要：随着中国民航建设的迅猛发展,国家GDP增长的同时,机场噪声污染问题也越发突出,噪声防治工作就变得尤为重要。为此,研究人员利用物联网技术,在噪声波及范围内设置多个噪声监测点,对周围噪声数据进行捕捉,进而对噪声数据进行分析研究,为噪声防治工作提供决策依据。然而,由于天气或使用年限等原因,噪声监测点设备往往会不可避免地发生损坏、老化或其他异常情况,从而无法连续不断地捕捉并传送周围环境的真实噪声情况。当某个监测点失效时,如何通过采集到的数据来预测这一时期内失效监测点漏报或误报的噪声数据,也成为值得深入研究的问题。针对这一问题,本文从监测点之间存在的相似性角度出发,对失效监测点的噪声监测数据的预测进行研究,主要工作包括:（1）噪声监测时间序列数据之间的相似程度体现了监测点噪声之间的关系紧密程度。本文从特征表示方法和时间序列相似性度量方法这两个问题出发,对现有时间序列特征表示方法以及时间序列相似性度量方法进行了全面的综述。（2）针对现有的大多数特征表示方法无法准确提取并表示时间序列趋势特征的缺陷,本文提出了一种基于终点迭代拟合算法（Iterative End Point Algorithm,IEPF）的时间序列趋势分段特征表示方法（an Trend Segmentation Representation of time series based on Iterative End Point algorithm,IEPF-TSR）。这一方法与IEPF相结合,能准确提取时间序列数据中关键的趋势转折点,去除序列中其他冗余的数据点。经过IEPF-TSR表示后的序列能直观表示出序列中每一个关键趋势的起始点、趋势陡缓程度以及趋势均值,与现有特征表示方法相比能更加清晰全面地描述出序列的趋势信息。（3）针对现有时间序列相似性度量方法无法准确度量时间序列趋势特征之间的相似性的缺陷,结合所提出的时间序列趋势分段特征表示方法IEPF-TSR,本文提出了一种时间序列相似性度量方法（a time-series similarity measure based on Trend Segmentation Representation,TSRDIST）。该方法从度量序列趋势相似性的角度出发,与动态时间规整（Dynamic Time Warping,DTW）自动寻找最优相似性度量路径的原理相结合,分别从趋势分段均值和分段趋势变量两个方面综合度量了序列间的相似度,有效解决了现有相似性度量方法在度量序列趋势特征时存在的问题。（4）针对失效噪声监测点的预测问题,本文在北京首都国际机场噪声监测系统所采集的时间序列噪声数据上,首先研究了监测点之间在时序上存在的相似性,对比了欧氏距离、DTW和TSR-DIST距离的度量效果,筛选出关联监测点集合;根据时序相似度定义每个关联监测点的权重,建立了一种特征加权支持向量回归模型（Feature Weighted Support Vector Regression,FWSVR）;最后在不同采样间隔的噪声数据上验证了该模型的预测效果和泛化能力。
关键词：机场噪声预测;时间序列;时间序列特征表示;相似性度量;特征加权支持向量回归
学科专业：工程硕士（专业学位）
摘要
ABSTRACT
注释表
缩略词
第一章 绪论
1.1 研究背景
1.2 研究目的和意义
1.3 国内外研究现状
1.4 主要研究工作
1.5 本文的内容安排
第二章 相关概念及技术介绍
2.1 时间序列和时间序列相似性
2.1.1 时间序列
2.1.2 时间序列相似性
2.2 时间序列特征表示方法
2.2.1 基于分段的特征表示方法
2.2.2 基于域变换的特征表示方法
2.2.3 基于模型的特征表示方法
2.2.4 基于符号的特征表示方法
2.3 时间序列相似性度量方法
2.3.1 锁步度量
2.3.2 弹性度量
2.3.3 经典相似性度量方法的对比分析
2.4 特征加权的支持向量回归机
2.4.1 支持向量回归机
2.4.2 特征加权的支持向量回归机
2.5 本章小结
第三章 基于IEPF的时间序列适应性趋势分段特征表示方法
3.1 引言
3.2 相关工作
3.3 基于IEPF的时间序列适应性趋势分段特征表示方法
3.3.1 标准化
3.3.2 基于趋势特征的分段和降维
3.3.3 趋势分段的符号化表示
3.4 实验验证
3.4.1 实验数据集
3.4.2 参数设置
3.4.3 分类性能对比
3.4.4 降维性能对比
3.5 本章小结
第四章 基于趋势分段的时间序列相似性度量方法
4.1 引言
4.2 相关工作
4.2.1 时间序列的符号化相似性及其度量
4.2.2 时间序列的形状相似性及其度量
4.2.3 时间序列的事件相似性及其度量
4.2.4 时间序列的趋势相似性及其度量
4.3 基于趋势分段的时间序列相似性度量方法
4.3.1 相似性度度量方法TSR-DIST
4.3.2 TSR-DIST的下界证明
4.4 实验验证
4.4.1 分类性能对比
4.4.2 度量性能对比
4.5 本章小结
第五章 基于FWSVR的机场噪声监测点交互预测模型
5.1 机场噪声时间序列数据
5.2 时序关联监测点筛选
5.3 基于FWSVR的监测点噪声交互预测模型
5.3.1 模型流程
5.3.2 建模步骤
5.4 实验及结果分析
5.4.1 实验数据集
5.4.2 时间序列相似性度量方法的对比实验
5.4.3 三种时间序列数据集的实验
5.5 本章小结
第六章 总结与展望
6.1 已有工作总结
6.2 未来工作展望
参考文献
致谢