[发明专利]一种基于复杂网络的海洋多时间序列关联性发现方法

说明书

本发明公开了一种基于复杂网络的海洋多时间序列关联性发现方法。首先，把每个海洋测量点的海洋多时间序列转换成相应的格拉明角场(GAF)灰度图片。然后，用多维GAF灰度图像组合MGAF彩色图片，并且用图像的相似性来构造一个多变量海洋测量点网络。本发明方法相比于只用一个相关阈值来构成的传统方法拥有更高的的连接效率。本发明为把海洋多时间序列融合成图像提出了一种映射法，并且利用了不同图像的相似性来构建一个复杂的网络。同时，本发明靠选择合适的阈值构造了一个复杂的海洋多时间序列网络，相比于传统的方法，用本发明方法构建出来的网络可以找到更精准的规则。

技术领域

本发明属于海洋数据处理领域，尤其涉及一种基于复杂网络的海洋多时间序列关联性发现方法。

背景技术

通过对海洋测量点进行分组，找出网络中的构成部分、群和独立集，为海洋测量点结构分析提供了一种新的工具。我们选取海洋多时间序列的特征，将每个测量点不同属性的时间序列转化为不同的图像，然后利用图像融合法将每个海洋测量点的不同属性的图像融合成一个图像。

然后利用图像间的相似性来衡量海洋测量点之间的关系，我们利用边来表达不同海洋测量点之间的关系，然后就构建成了海洋测量点网络。最后，我们用不同的阈值选出不同的阈值网络，通过分析选择最优阈值下的网络，并且通过实验证明，用我们的方法构建的网络能够清晰、准确地表达不同节点之间的关系，传统方法构建的网络无法找到重要节点之间的关系，因此，本文所构建的网络优于传统方法，可以帮助政府部门更合理地布置海洋测量点。

发明内容

本发明为了节省经济、人力成本，提高方法的适用性，合理布局观测点位，可以有效地获取海洋数据，提供了一种基于复杂网络的海洋多时间序列关联性发现方法。

本发明的目的是通过以下技术方案来实现的：一种基于复杂网络的海洋多时间序列关联性发现方法，包括以下步骤：

(1)特征选择

一个海洋测量点是由多变量时间序列(Multivariate Time Series,MTS)构成。为了降低计算复杂度的同时保持必要的属性，对皮尔逊相关系数大于阈值的时间序列采用进行降维，时间序列越相似，皮尔逊相关系数值越高。皮尔逊相关系数的计算公式如式(1)：

其中Xi代表海洋测量点X的i属性的时间序列，σ_xi代表Xi的标准差，cov(Xi,Xj)为Xi和Xj的协方差。ρ_xi,xj在区间[-1,1]内，其中ρxi,xj＝1表示完全相关，ρxi,xj＝-1对应完全反相关，ρxi,xj＝0反应了海洋测量点i属性和j属性不相关；

(2)图像融合

使用步骤(1)选择的特征来融合一幅综合图像，格拉明角场(GAF)转换时间序列Xi＝{Xi₁,Xi₂，…Xi_n}成灰度图像，Xi_n为时间序列Xi中的第n个序列。由于融合后的图像是一个时间序列，在对图像进行处理时必须保持图像的时间特征，GAF方法保持图像的时间依赖性。另外，G(i,j||i-j|＝o)表示时间序列在时间间隔o统一方向上的叠加。然而，一个海洋测量点具有多个多属性，因此需要将多个多属性融合到一幅图像中，多GAFs被用来定义式(2)。

MGAF_m[u,v]＝[G₁[u,v],G_k[u,v],...,G_m[u,v]],0≤u,v＜n   (2)

其中，G_k[u,v]为第k幅图像子序列转换后的GAF图像，并且[u,v]为n×n像素图像的一个像素。最后m幅GAF图像融合成1幅MGAFm图像。

(4)图像相似性计算