贺萌

（常州信息职业技术学院 江苏省常州市 213164）

当前互联网已经逐渐渗透到了人们的日常生活和工作当中，在医疗、社交、购物等各个领域当中均有涉及，同时也进一步提高了对大规模时间序列数据的获取难度。随着网络当中时序数据的不断产生，通过对其进行合理的数据挖掘能够找出用户所感兴趣的知识、模式以及规律等重要信息，进一步为人们的生活提供便利条件。但由于时序数据与以往传统统计数据相比，仍然存在着较大的不同，使得当前大部分针对经典数据类型的挖掘算法和方式无法直接应用到网络中时序数据的挖掘中，尤其是对于多节点网络而言，其特殊的网络环境更是进一步增加了时序数据挖掘的难度[1]。针对时序数据的聚类分析是时序数据挖掘当中的一项重要内容，可将聚类看作是一种对时序数据分类和处理的手段。在多节点网络环境当中，时序数据普遍存在自相关性大、相似度高的特点，因此挖掘难度相对更大。针对这一问题，相关领域的研究人员进行了不断深入研究，并提出了多种针对这类型数据的挖掘方法，但目前在各个挖掘方法实际应用中均存在对数据的相似性度量自适应性差的问题[2]。基于此，本文开展了多节点网络时序数据聚类挖掘方法研究。

1 多节点网络时序数据聚类挖掘方法设计

1.1 构建时序数据存储结构模型

由于时序数据存在多种特有的属性，因此造成现有经典聚类算法无法直接在该数据当中应用的问题。……