时间序列是指按时间顺序排列的一组数据，这些数据有两个特点：趋势和季节性
趋势：总体情况 季节性：周期性波动
时间序列挖掘的基本思路：根据之前已有的序列数据，发现隐含的规则，来预测后面的发展趋势
实现方法：首先对序列进行分割，根据某些特征进行聚类，得到少数几个模式，
将模式进行符号替换，将时间序列转换为符号序列，然后采用序列模式发现算法进行关联挖掘。
建模：只要序列数据中的某种模式达到设定的置信度、兴趣度、支持度阈值要求，就会输出规则。
因此，时间序列挖掘方法可能会建立多个模型，它们分别反映了序列某些方面的特征。
预测算法：
一次指数平滑算法：根据平滑参数a算出平滑值，把后面第i+h个数据都预测为前i个数据的平滑值，
预测结果是一条直线，不能反映趋势和季节性
二次指数平滑算法：添加新的变量t，把后面第i+h个数据预测为前i个数据的平滑值再加上hti，
预测结果是一条斜的直线，保留趋势信息
三次指数平滑算法：添加新的参数p，保留周期信息，预测结果是曲线，保留趋势与季节性信息
神经网络：
遗传算法：
时间序列挖掘系统：
时间序列数据的可视化、数据预处理、数据约简、模式挖掘算法和结果模式可视化。
（其中模式挖掘算法是时间序列数据挖掘引擎的核心。）
时间序列数据的可视化：可以看出数据是如何分布的，以便判断序列的趋势。
数据预处理：将原始数据转换成挖掘算法需要的数据格式，包括数据标准化、噪声过滤和数值离散化等。
优点：保留了原始序列的整体变化趋势；过滤噪声；减少了数据，增强了每个数据的信息量；
数据化简：去除一些冗余数据和无意义数据，
或由于时间复杂性或内存的能力，选择一小部分数据表示整个集合，对原始数据进行数据变换和特征提取。
模式挖掘：使用挖掘算法从大数据集中挖掘，可借助可视化技术，调整挖掘过程的阈值和参数。
模式可视化：将发现的模式在屏幕上输出，可以进行观察分析。
相似性度量：
在时间序列数据库中发现与给定序列的模式相似的序列，
首先定义一个相似性度量函数和一个阈值ε，如果函数值大于等于ε，则表明序列相似。
欧氏距离： （缺点：对噪音太敏感，计算量大，不能实现时间飘移和弯曲）
动态时间弯曲距离DTW：
这个算法是基于动态规划的思想，主要应用在语音识别领域，识别两段发音长度不同的语音是否表示同一个单词。
它通过构建一个邻接矩阵，寻找最短路径和。
（序列A：1 2 3 100 序列B是1 2 100 3，如果我们让A的3100 分别跟B的2 100对应，距离和就会大大减小，
但是不能够让3 100跟100 3交叉对应，这样算出来距离就是0，而且会导致时间的混乱）
缺点：运算量也很大，比较适合同一个人的声音
最长公共子序列：