內容簡介
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、趨勢項繫數、時頻轉換特征項、自相關函數、偏相關函數、周期項繫數等幾個序列特征,分別采用了基於層次的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在時間序列數據挖掘領域中對長時序進行研究的空白,將為國內金融時間序列挖掘研究填充新的內容。
|
|
首頁 | 電影 | 連續劇 | 音樂 | 圖書 | 女裝 | 男裝 | 童裝 | 內衣 | 百貨家居 | 包包 | 女鞋 | 男鞋 | 童鞋 | 計算機周邊 |
![]() | |||
|