时序数据被广泛地作为许多领域中知识发现的基础,如何有效地表示其中蕴含的因果关系,特别是环状因果关系,并进行高效的推理,是应用中决策与预测分析的关键。目前已有的时序数据挖掘方法,不能有效地发现时序数据中蕴含的因果关系和环状因果关系。本项目基于定性概率网构建描述时序数据中因果关系的概率图模型,并建立多时间片及多证据情形下的高效推理机制。一方面为时序数据中因果关系的挖掘找到了坚实的理论基础,另一方面也满足了相关应用的实时性和高效性要求。将挖掘和推理的方法用于时序数据中环状因果关系及恶性反馈环的识别、时序数据流的建模中,能为相关的决策和预测问题提供科学的依据。预期将解决时序数据中因果关系的挖掘和推理问题,时序数据中环状因果关系和恶性反馈环的发现问题,面向时序数据流挖掘的因果关系模型构建及融合问题。研究成果以论文形式在国内外重要期刊及会议上发表20 篇,并实现面向智能交通系统的交通阻塞发现及预测的原型系统。
英文主题词time-series data; qualitative probabilistic network; causal relationship; vicious feedback loop; time-series data stream