CN104572886A - 基于k线图表示的金融时间序列相似性查询方法 - Google Patents

基于k线图表示的金融时间序列相似性查询方法 Download PDF

Info

Publication number
CN104572886A
CN104572886A CN201410812464.2A CN201410812464A CN104572886A CN 104572886 A CN104572886 A CN 104572886A CN 201410812464 A CN201410812464 A CN 201410812464A CN 104572886 A CN104572886 A CN 104572886A
Authority
CN
China
Prior art keywords
typical
basic
time series
query
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410812464.2A
Other languages
English (en)
Other versions
CN104572886B (zh
Inventor
蔡青林
陈岭
孙建伶
陈蕾英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201410812464.2A priority Critical patent/CN104572886B/zh
Publication of CN104572886A publication Critical patent/CN104572886A/zh
Application granted granted Critical
Publication of CN104572886B publication Critical patent/CN104572886B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/901Indexing; Data structures therefor; Storage structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于K线图表示的金融时间序列相似性查询方法,包括特征提取、索引构建和查询处理步骤。首先,基于K线表示对金融时间序列提取基本模式与典型模式特征,将其分别转化为基本字符串与典型字符串;然后,分别对两者构建倒排索引。对于每条查询序列,经相同方式提取基本模式与典型模式特征后,分别查询所构建的两个倒排索引,获取两个候选集,然后求交集运算得到最终候选集;再经后续处理得到最终查询结果。本发明可有效实现<i>k</i>最近邻查询,具有较高的度量精度及查询效率,并对时间序列长度、<i>k</i>最近邻查询规模及数据集规模具有良好的扩展性。在规模日益扩大的电子化金融交易市场中可发挥重要作用。

Description

基于K线图表示的金融时间序列相似性查询方法
技术领域
本发明涉及数据库、数据挖掘、信息检索等领域,尤其涉及金融时间序列数据分析和挖掘。
背景技术
时间序列广泛存在于人们的日常生活及工业生产中,如基金或股票的实时交易数据,零售市场的日销量数据,流程工业的传感器监测数据,天文观测数据,航空航天雷达、卫星监测数据,实时天气温度及空气质量指数等。
时间序列相似性查询,又称为时间序列的样例检索,在工业界和金融界有着广泛的应用需求。比如,在股票市场的实时交易中,交易员想要从海量的历史股票数据中,查询出与当前时刻股票走势的形态最相似的k条历史序列作为参考,来获取有价值的知识和启发,完成交易行为。很明显,解决该问题的最简单方法是对数据库的线性扫描,然而这种将查询序列与数据库每条序列一一对比的方法具有很高的时间开销。因此,工业界通常采用空间索引方法,如R树、R*树、网格文件等。但是,大多数空间索引方法的性能,会随着时间序列维度的升高而迅速降级,即出现“维度灾难”。所以,传统的查询方法在对时间序列构建空间索引之前,会首先采用特定的数据表示方法提取时间序列的特征,以实现降维。
目前工业界常用的数据表示方法可分为非数据适应性和数据适应性方法。对于前者,变换参数不受单独的时间序列影响,而始终保持不变;该类表示大多基于频谱分解实现,如离散傅里叶变换、离散小波变换、离散余弦变换,其主要通过对原始时间序列做相应的频域变换,提取主要的频谱系数作为特征;该类方法各有缺陷,如离散傅里叶变换只能提取总体形态特征而忽略了局部特征,离散小波变换只能处理长度为2的指数次的时间序列,离散余弦变换的信息丢失较多,对原始数据的重构误差较大。数据适应性表示是指对变换参数的确定需要依赖数据本身;通过增加数据敏感的选择处理过程,可以把大部分非数据适应性方法变为数据适应性方法。该类方法有分段聚集近似、分段线性近似、符号化聚集近似、奇异值分解、主成分分析等,前三种都需要先对原始时间序列进行分段,然后对每一子段单独处理(分段聚集近似是对各段求平均值,分段线性近似是对各段做线段拟合,符号化聚集近似是在分段聚集近似基础上将每段平均值离散化为符号),由于其所提取的特征较为单一,使其对时间序列波动模式的表达能力较弱。奇异值分解和主成分分析通过对所有时间序列做统一的特征矩阵分解实现,这两类方法的典型缺陷是计算复杂度高,而且分解过程只能在内存完成,数据规模的可扩展性很低。
工业界迄今采用的索引方法大多是基于树的空间索引,B-树最先用于索引一维数据,是许多分层索引结构的基础;R-树系列,如R*-树、R+-树等,采用最小边界矩形组织数据,但是最小边界矩形会覆盖大量无数据的空间,导致查询结果存在大量的“误命中”,从而降低查询效率;A-树使用了向量近似文件来存储最小边界矩形和虚拟边界矩形的上下边界,从而保证较低的索引开销和较高的查询完备性。由于工业生产中的时间序列具有高维或超高维特性,即使在精度损失可接受的范围内做降维处理,仍然可能具有很高的维度,因此,基于树的索引方法很容易出现“维度灾难”问题。
发明内容
本发明要解决的问题是对用户任意指定的一条金融时间序列,如何快速地从大规模金融时间序列数据库中找出k条最相似的序列。为了解决该问题,本发明提出了基于K线图表示的金融时间序列相似性查询方法。
本发明的目的是通过以下技术方案实现的:一种基于K线图表示的金融时间序列相似性查询方法,包括以下步骤:
(1)特征提取,具体包括以下子步骤:
(1.1)依次读取金融时间序列数据库中的每条时间序列;
(1.2)对时间序列做z-规范化处理;
(1.3)设定K线表示粒度l,采用该粒度的窗口对步骤1.2处理得到的时间序列平均切分为w条子序列;依次提取每条子序列的初始值vfirst,最大值vmax,最小值vmin,最终值vlast,构造K线图,并表示为特征向量K=[vfirst,vmax,vmin,vlast],将金融时间序列转化为K线序列К={K1,K2,...,Ki,…,Kw};
(1.4)分别提取K线序列的基本模式Pbasic与典型模式Ptypical,将其转化为基本字符串Strbasic与典型字符串Strtypical,具体为:
(1.4.1)将金融时间序列在金融交易市场中单位时间段的最大升降幅度范围平均划分为n个区间,并从0开始依次递增编号;
(1.4.2)依次扫描每对相邻的K线组合<Ki,Ki+1>,计算Ki+1的四个特征相对于Ki的最终值Ki(vlast)的升降幅度,并分别映射到步骤1.4.1划分的相应区间,以区间编号表示各特征,得到离散化特征向量Di+1;将<Di,Di+1>的各元素依次分配到连续存储单元,组合为基本模式Pbasic,由此将K线序列转化为基本字符串Strbasic
(1.4.3)采用金融技术分析领域的Ω种多K线组合模式作为典型模式库Ptypical_base,并将每个典型模式Ptypical以离散化特征向量的形式存储;依次扫描K线序列,若以Ki起始的多K线组合<Ki,Ki+1,...,Ki+η>与Ptypical_base中的典型模式相匹配,则进行提取并根据1.4.2的方式编码存储,由此将K线序列转化为典型字符串Strtypical
(2)索引构建,具体包括以下子步骤:
(2.1)基于Lucene全文检索开源框架,以Pbasic作为索引项,对所有基本字符串Strbasic构建基本模式倒排索引Pbasic_index;
(2.2)基于Lucene全文检索开源框架,以Ptypical作为索引项,对所有典型字符串Strtypical构建典型模式倒排索引Ptypical_index;
(3)查询处理,具体包括以下子步骤:
(3.1)将查询时间序列Q进行与步骤1相同的特征提取,得到基本字符串Strbasic(Q)与典型字符串Strtypical(Q);
(3.2)对Strbasic(Q)查询步骤2.1得到的基本模式倒排索引Pbasic_index,获取包含M个候选对象的候选集C1
(3.3)对Strtypical(Q)查询步骤2.2得到的典型模式倒排索引Ptypical_index,获取包含N个候选对象的候选集C2
(3.4)对C1与C2求交集,得到包含Γ个候选对象的最终候选集C3
(3.5)对C3中的每个候选对象,通过磁盘I/O读取原始序列,并与查询时间序列Q的原始值进行相似性度量,根据相似性度量值,对C3的所有候选对象进行排序,保留k个最相似的候选序列作为最终的查询结果并返回。
本发明的有益效果是:
1、在特征提取阶段,采用了K线表示方法,适用于金融时间序列特有的波动特性和应用需求;对时间序列分别提取基本模式与典型模式特征,可分别捕捉金融时间序列的基本波动特性与具有重要参考价值的指示性信号特征,有利于对金融时间序列做精确地相似性匹配。
2、基于倒排索引的查询方式,可实现灵活高效地查询处理,并且可实现对任意长时间序列的索引和查询;基于Lucene全文检索开源框架,保证了索引规模具有较低的空间开销,以及查询过程的高效性。
3、本发明可有效实现k最近邻查询,具有较高的度量精度及查询效率,并对时间序列长度、k最近邻查询规模及数据集规模具有良好的扩展性。
附图说明
图1为基于K线图表示的金融时间序列相似性查询方法流程图;
图2为提取K线序列基本模式特征流程图;
图3为基本模式倒排索引结构。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明基于K线图表示的金融时间序列相似性查询方法,包括以下步骤:
(1)特征提取,具体包括以下子步骤:
(1.1)依次读取金融时间序列数据库中的每条时间序列T={t1,t2,…,ti,…,tn};
(1.2)计算时间序列T所有采样点的平均值m和标准差σ,根据公式(1)对T做z-规范化处理,得到规范化的时间序列T'={t'1,t'2,…,t'i,…,t'n};
t &prime; i = t i - m &sigma; - - - ( 1 )
(1.3)设定K线表示粒度l,采用该粒度的窗口W对步骤1.2处理得到的T'平均切分为w条不重叠的子序列ST'={S1,S2,...,Sw};依次提取每条子序列的初始值vfirst,最大值vmax,最小值vmin,最终值vlast,构造K线图,表示为特征向量K=[vfirst,vmax,vmin,vlast],将T'转化为K线序列,表示为К={K1,K2,...,Kw};
(1.4)分别提取К的基本模式Pbasic与典型模式Ptypical,将其转化为基本字符串Strbasic与典型字符串Strtypical,具体为:
(1.4.1)将金融时间序列单位时间段的最大升降幅度范围[Θlowup]平均划分为n个区间,并从0开始依次递增编号α012,....,αn-1
(1.4.2)依次扫描每对相邻的K线组合<Ki,Ki+1>,根据公式(2)计算Ki+1的四个特征Ki+1(vfirst)、Ki+1(vmax)、Ki+1(vmin)、Ki+1(vlast)相对于Ki的最终值特征Ki(vlast)的升降幅度θfirst、θmax、θmin、θlast,并根据公式(3)分别映射到步骤1.4.1划分的相应区间,以区间编号αx表示各特征,得到离散化特征向量Di+1=[αfirstmaxminlast];将<Di,Di+1>的各元素依次分配到连续存储单元,组合为基本模式Pbasic,由此将К转化为基本字符串Strbasic={Pbasic_1,Pbasic_2,…,Pbasic_w-1},该过程如图2所示;
&theta; ( &CenterDot; ) = K i + 1 ( &CenterDot; ) - K i ( v last ) K i ( v last ) - - - ( 2 )
(1.4.3)采用金融技术分析领域的Ω种多K线组合模式作为典型模式库Ptypical_base,并将每个典型模式Ptypical以离散化特征向量的形式存储;顺序扫描К,若以Ki起始的多K线组合<Ki,Ki+1,...,Ki+η>与Ptypical_base中的典型模式P'typical相匹配,则进行提取并根据1.4.2的方式编码存储,由此将К转化为典型字符串Strtypical={Ptypical_1,Ptypical_2,…,Ptypical_κ};
(2)索引构建,具体包括以下子步骤:
(2.1)基于Lucene全文检索开源框架,以所有类型的Pbasic作为term构建词典;以<K_id,loc>作为posting构建索引文件,其中,K_id表示具有Pbasic_i的K线序列Kj的ID,loc表示Pbasic_i在Kj中的位置;由此实现对所有Strbasic构建基本模式倒排索引Pbasic_index,索引结构如图3所示;
(2.2)与步骤2.1类似,实现对所有Strtypical构建典型模式倒排索引Ptypical_index;
(3)查询处理,具体包括以下子步骤:
(3.1)将查询时间序列Q进行与步骤1相同的特征提取,得到基本字符串Strbasic(Q)与典型字符串Strtypical(Q);
(3.2)基于Lucene全文检索开源框架,对Strbasic(Q)查询Pbasic_index,获取包含M个候选对象的候选集C1={c1,c2,...,cM},其中所有候选对象按照与Strbasic(Q)的余弦距离值由小到大排序;
(3.3)同理,对Strtypical(Q)查询Ptypical_index,获取包含N个候选对象的候选集C2={c'1,c'2,...,c'N},其中所有候选对象按照与Strtypical(Q)的余弦距离值由小到大排序;
(3.4)对C1与C2求交集,得到包含Γ个候选对象的最终候选集C3={c"1,c"2,...,c"Γ};若Γ<k,则从C1中由前向后顺序读取不包含于C3的H个候选对象加入C3,其中Γ+H>k,k表示最近邻查询结果数目;
(3.5)对C3中的每个候选对象c"i,通过磁盘I/O读取其原始序列Ti,根据公式(1)做z-规范化处理得到Ti',与规范化的查询序列Q'进行相似性度量或距离度量,求得相似度simi或距离disti;根据相似性度量值,对C3的所有候选对象进行降序排序,或根据距离度量值,对C3的所有候选对象进行升序排序;保留前k个候选对象作为最终的查询结果并返回。
本发明针对金融领域规模日益膨胀的金融时序数据库,提出了基于K线图表示的金融时间序列相似性查询方法,可实现高效的k最近邻近似查询。基于本发明能够在规模庞大的金融时序数据库中,发掘投资者感兴趣的金融时序数据波动模式,不仅为投资者做技术分析和投资决策提供了有意义的指导,而且有利于提高自动化电子交易系统在量化交易和预测分析任务中的准确性,满足了金融领域迫切的应用需求。

Claims (1)

1.一种基于K线图表示的金融时间序列相似性查询方法,其特征在于,包括以下步骤:
(1)特征提取,具体包括以下子步骤:
(1.1)依次读取金融时间序列数据库中的每条时间序列;
(1.2)对时间序列做z-规范化处理;
(1.3)设定K线表示粒度l,采用该粒度的窗口对步骤1.2处理得到的时间序列平均切分为w条子序列;依次提取每条子序列的初始值vfirst,最大值vmax,最小值vmin,最终值vlast,构造K线图,并表示为特征向量K=[vfirst,vmax,vmin,vlast],将金融时间序列转化为K线序列К={K1,K2,...,Ki,…,Kw};
(1.4)分别提取K线序列的基本模式Pbasic与典型模式Ptypical,将其转化为基本字符串Strbasic与典型字符串Strtypical,具体为:
(1.4.1)将金融时间序列在金融交易市场中单位时间段的最大升降幅度范围平均划分为n个区间,并从0开始依次递增编号;
(1.4.2)依次扫描每对相邻的K线组合<Ki,Ki+1>,计算Ki+1的四个特征相对于Ki的最终值Ki(vlast)的升降幅度,并分别映射到步骤1.4.1划分的相应区间,以区间编号表示各特征,得到离散化特征向量Di+1;将<Di,Di+1>的各元素依次分配到连续存储单元,组合为基本模式Pbasic,由此将K线序列转化为基本字符串Strbasic
(1.4.3)采用金融技术分析领域的Ω种多K线组合模式作为典型模式库Ptypical_base,并将每个典型模式Ptypical以离散化特征向量的形式存储;依次扫描K线序列,若以Ki起始的多K线组合<Ki,Ki+1,...,Ki+η>与Ptypical_base中的典型模式相匹配,则进行提取并根据1.4.2的方式编码存储,由此将K线序列转化为典型字符串Strtypical
(2)索引构建,具体包括以下子步骤:
(2.1)基于Lucene全文检索开源框架,以Pbasic作为索引项,对所有基本字符串Strbasic构建基本模式倒排索引Pbasic_index;
(2.2)基于Lucene全文检索开源框架,以Ptypical作为索引项,对所有典型字符串Strtypical构建典型模式倒排索引Ptypical_index;
(3)查询处理,具体包括以下子步骤:
(3.1)将查询时间序列Q进行与步骤1相同的特征提取,得到基本字符串Strbasic(Q)与典型字符串Strtypical(Q);
(3.2)对Strbasic(Q)查询步骤2.1得到的基本模式倒排索引Pbasic_index,获取包含M个候选对象的候选集C1
(3.3)对Strtypical(Q)查询步骤2.2得到的典型模式倒排索引Ptypical_index,获取包含N个候选对象的候选集C2
(3.4)对C1与C2求交集,得到包含Γ个候选对象的最终候选集C3
(3.5)对C3中的每个候选对象,通过磁盘I/O读取原始序列,并与查询时间序列Q的原始值进行相似性度量,根据相似性度量值,对C3的所有候选对象进行排序,保留k个最相似的候选序列作为最终的查询结果并返回。
CN201410812464.2A 2014-12-23 2014-12-23 基于k线图表示的金融时间序列相似性查询方法 Expired - Fee Related CN104572886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410812464.2A CN104572886B (zh) 2014-12-23 2014-12-23 基于k线图表示的金融时间序列相似性查询方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410812464.2A CN104572886B (zh) 2014-12-23 2014-12-23 基于k线图表示的金融时间序列相似性查询方法

Publications (2)

Publication Number Publication Date
CN104572886A true CN104572886A (zh) 2015-04-29
CN104572886B CN104572886B (zh) 2018-01-30

Family

ID=53088948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410812464.2A Expired - Fee Related CN104572886B (zh) 2014-12-23 2014-12-23 基于k线图表示的金融时间序列相似性查询方法

Country Status (1)

Country Link
CN (1) CN104572886B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933175A (zh) * 2015-06-30 2015-09-23 深圳市金证科技股份有限公司 一种性能数据相关性的分析方法及性能监控系统
CN106503725A (zh) * 2016-09-12 2017-03-15 新浪网技术(中国)有限公司 一种图形处理方法及装置
CN106682035A (zh) * 2015-11-11 2017-05-17 中国移动通信集团公司 一种个性化学习推荐方法及装置
CN108416674A (zh) * 2018-02-12 2018-08-17 上海翌固数据技术有限公司 时频谱的应用方法和设备
CN108898648A (zh) * 2018-06-28 2018-11-27 深圳市金蝶天燕中间件股份有限公司 一种k线图构造方法、系统及相关设备
CN110069719A (zh) * 2019-04-24 2019-07-30 西安工程大学 一种面向互联网环境的行为预测方法及其预测系统
CN110738433A (zh) * 2019-11-01 2020-01-31 广东电科院能源技术有限责任公司 一种用电设备负荷识别方法和装置
CN111291096A (zh) * 2020-03-03 2020-06-16 腾讯科技(深圳)有限公司 数据集构建方法、装置和存储介质及异常指标检测方法
CN111400359A (zh) * 2020-03-17 2020-07-10 创新奇智(北京)科技有限公司 面向股票趋势预测的相似k线检索方法及检索系统
CN114528334A (zh) * 2022-02-18 2022-05-24 重庆伏特猫科技有限公司 一种时序数据库中快速相似搜索方法
CN114840693A (zh) * 2022-07-05 2022-08-02 深圳市拓保软件有限公司 一种基于分布式图数据库的金融图像数据搜索方法及系统
CN114943255A (zh) * 2022-05-27 2022-08-26 中信建投证券股份有限公司 一种资产对象形态识别方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050114331A1 (en) * 2003-11-26 2005-05-26 International Business Machines Corporation Near-neighbor search in pattern distance spaces
CN104102680A (zh) * 2013-04-15 2014-10-15 肖瑞 时间序列的编码索引
CN104182460A (zh) * 2014-07-18 2014-12-03 浙江大学 基于倒排索引的时间序列相似性查询方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050114331A1 (en) * 2003-11-26 2005-05-26 International Business Machines Corporation Near-neighbor search in pattern distance spaces
CN104102680A (zh) * 2013-04-15 2014-10-15 肖瑞 时间序列的编码索引
CN104182460A (zh) * 2014-07-18 2014-12-03 浙江大学 基于倒排索引的时间序列相似性查询方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALCOCK R J: ""Time-Series Similarity Queries Employing a Feature-Based Approach"", 《7TH HELLENIC CONFERENCE ON INFORMATICS》 *
PERNG C S等: ""Landmarks: A New Model for Similarity-Based Pattern Querying in Time Series"", 《.DATA ENGINEERING,2000.PROCEDDINGS.16TH INTERNATIONAL CONFERENCE ON IEEE》 *
林中: ""K线组合分析技术在蔬菜价格波动分析预警中的应用实现"", 《湖南农业科学》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933175B (zh) * 2015-06-30 2020-06-26 深圳市金证科技股份有限公司 一种性能数据相关性的分析方法及性能监控系统
CN104933175A (zh) * 2015-06-30 2015-09-23 深圳市金证科技股份有限公司 一种性能数据相关性的分析方法及性能监控系统
CN106682035A (zh) * 2015-11-11 2017-05-17 中国移动通信集团公司 一种个性化学习推荐方法及装置
CN106503725A (zh) * 2016-09-12 2017-03-15 新浪网技术(中国)有限公司 一种图形处理方法及装置
CN108416674A (zh) * 2018-02-12 2018-08-17 上海翌固数据技术有限公司 时频谱的应用方法和设备
CN108898648A (zh) * 2018-06-28 2018-11-27 深圳市金蝶天燕中间件股份有限公司 一种k线图构造方法、系统及相关设备
CN110069719A (zh) * 2019-04-24 2019-07-30 西安工程大学 一种面向互联网环境的行为预测方法及其预测系统
CN110069719B (zh) * 2019-04-24 2023-03-31 西安工程大学 一种面向互联网环境的行为预测方法及其预测系统
CN110738433A (zh) * 2019-11-01 2020-01-31 广东电科院能源技术有限责任公司 一种用电设备负荷识别方法和装置
CN111291096A (zh) * 2020-03-03 2020-06-16 腾讯科技(深圳)有限公司 数据集构建方法、装置和存储介质及异常指标检测方法
CN111400359A (zh) * 2020-03-17 2020-07-10 创新奇智(北京)科技有限公司 面向股票趋势预测的相似k线检索方法及检索系统
CN111400359B (zh) * 2020-03-17 2023-11-10 创新奇智(北京)科技有限公司 面向股票趋势预测的相似k线检索方法及检索系统
CN114528334A (zh) * 2022-02-18 2022-05-24 重庆伏特猫科技有限公司 一种时序数据库中快速相似搜索方法
CN114528334B (zh) * 2022-02-18 2022-10-18 重庆伏特猫科技有限公司 一种时序数据库中快速相似搜索方法
CN114943255A (zh) * 2022-05-27 2022-08-26 中信建投证券股份有限公司 一种资产对象形态识别方法、装置、电子设备及存储介质
CN114840693A (zh) * 2022-07-05 2022-08-02 深圳市拓保软件有限公司 一种基于分布式图数据库的金融图像数据搜索方法及系统
CN114840693B (zh) * 2022-07-05 2022-09-16 深圳市拓保软件有限公司 一种基于分布式图数据库的金融图像数据搜索方法及系统

Also Published As

Publication number Publication date
CN104572886B (zh) 2018-01-30

Similar Documents

Publication Publication Date Title
CN104572886A (zh) 基于k线图表示的金融时间序列相似性查询方法
CN104182460B (zh) 基于倒排索引的时间序列相似性查询方法
CN104462217A (zh) 一种基于分段统计近似表示的时间序列相似性度量方法
CN107422295A (zh) 基于互质阵列虚拟域等价信号原子范数表示的波达方向估计方法
Zhao et al. Forecasting wavelet transformed time series with attentive neural networks
Gao et al. Small sample classification of hyperspectral image using model-agnostic meta-learning algorithm and convolutional neural network
CN104463247A (zh) 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN102663447B (zh) 基于判别相关分析的跨媒体检索方法
CN104820673A (zh) 基于自适应性分段统计近似的时间序列相似性度量方法
Marascu et al. TRISTAN: Real-time analytics on massive time series using sparse dictionary compression
CN104361342A (zh) 一种基于几何不变形状特征的在线植物物种识别方法
Roushangar et al. Entropy-based analysis and regionalization of annual precipitation variation in Iran during 1960–2010 using ensemble empirical mode decomposition
CN113313040A (zh) 基于fmcw雷达信号的人体姿势识别方法
Dilmi et al. Iterative multiscale dynamic time warping (IMs-DTW): a tool for rainfall time series comparison
CN101853503A (zh) 一种谱线拐点多尺度寻优分段方法及其应用
CN104732529A (zh) 一种遥感图像形状特征配准方法
CN103853817B (zh) 基于gis的海量统计数据的空间奇异点发掘方法
Fu et al. Financial time series indexing based on low resolution clustering
CN103310456A (zh) 基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法
CN103093461B (zh) 一种基于度量信息的形状匹配方法
Zhou et al. Characteristic representation of stock time series based on trend feature points
Rani Review on time series databases and recent research trends in Time Series Mining
Zhang et al. A novel method for fast and accurate similarity measure in time series field
Fang et al. Multi-dimensional Time Series Approximation Using Local Features at Thinned-out Keypoints.
Xu et al. Plant leaf classification and retrieval using multi‐scale shape descriptor

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180130

Termination date: 20201223