李海林

本書以時間序列數據為研究對象,對時間序列數據的特徵表示和相似性度量進行較為深入和系統的研究,講述了如何從數據特徵的不同角度進行數據降維,結合設計相應的相似性度量方法實現時間序列數據挖掘,同時將相關的特徵表示和相似性度量方法應用于文本主題、經濟金融、情報分析和發動機參數等具體領域。全書分為 11章:第1章對研究的背景和現狀進行了分析,解釋了為什麼要研究時間序列數據的特徵表示和相似性度量。第2章至第6章從時間序列數據的不同視角出發,深入淺出地介紹了新的時間序列數據特徵表示和相似性度量等預處理方法。第7章到第10章以主題分析、股票預測、文獻分析、發動機參數特徵識別和故障檢測為目標,將時間序列數據挖掘中的特徵表示和相似性度量方法應用於解決具體行業中的相關管理科學問題。第11章對研究進行了總結,並提出了研究的創新和未來研究方向。本書的研究內容主要涉及統計學、計算機科學、經濟學和管理學等,適合從事經濟金融、電子信息、生物醫學、工業與工程等工作的技術人員、管理人員或有志從事相關領域科學研究的本科生、研究生學習或參考。通過閱讀和學習本書,讀者可以較好地瞭解時間序列數據挖掘與傳統時間序列數據分析的不同,為今後的時間序列數據的相關研究奠定基礎。

《複雜系統影響因素研究的數據驅動分析方法》聚焦於複雜系統影響因素研究的數據驅動分析方法(DAC)，為應對大數據和人工智能時代複雜系統問題提供創新思路與實用工具。第1章闡述了傳統分析方法在處理複雜系統多變量、非線性和動態變化等特徵時的不足，而DAC憑藉先進的數據挖掘和機器學習算法，通過數據獲取、數據處理與變量測量、聚類分析、決策樹分析和貝葉斯網絡分析5個關鍵階段(步驟)，為決策制定和優化助力。第2章強調指標選取的依據、選取原則等，依據數據類型選擇合適量化方法，並通過實例演示如何將實際問題轉化為可量化數據集，保障後續分析質量。第3章詳細介紹數據采集、統計分析、變量選取、校準處理(引入雲校準概念)等數據預處理內容。第4章講解基於聚類算法的異質性群體的多種分析。第5章使用決策樹分析了異質性群體對象的影響因素交互效應。第6章運用貝葉斯網絡和相關算法探究變量間的作用關係和影響路徑。第7章通過後發企業創新績效案例分析，展示 DAC在實際研究中的應用優勢。本書特色鮮明，內容緊密圍繞解決複雜管理問題，案例豐富且分析透徹，從多領域實際問題出發，旨在增強讀者對方法的理解與應用能力。本書中代碼示例詳細，可操作性強。本書適用於工商管理、管理科學與工程、經濟與金融等專業的本科生和研究生，為他們開展學位論文研究和學術探索提供新穎視角和方法，幫助他們掌握這一跨學科融合的研究範式。