This article deals with the recognition of recurring multivariate time series patterns modelled sample-point-wise by parametric fuzzy sets. An efficient classification-based approach for the online recognition of incompleted developing patterns in streaming time series is being presented. Furthermore, means are introduced to enable users of the recognition system to restrict results to certain stages of a pattern’s development, e. g. for forecasting purposes, all in a consistently fuzzy manner.

This article proposes knowledge-based short-time prediction methods for multivariate streaming time series, relying on the early recognition of local patterns. A parametric, well-interpretable model for such patterns is presented, along with an online, classification-based recognition procedure. Subsequently, two options are discussed to predict time series employing the fuzzified pattern knowledge, accompanied by an example. Special emphasis is placed on comprehensible models and methods, as well as an easy interface to data mining algorithms.

Univ., Diss.--St. Gallen, 2006.

Es erfolgte die Untersuchung der Eigenschaften der gegebenen Zeitreihen der Wirkleistung von zwei Windenergieanlagen sowie des gesamten Windparks. Außerdem analysiert wurden die entsprechenden Eigenschaften der auf Viertelstundendaten konvertierten Reihen. Diese Eigenschaften, wie z.B. Mittelwert, Varianz o.a. Maximum wurden als Informationen angesehen und so ermöglichte die Gegenüberstellung einen Rückschluss auf dem Informationsverlust. Da die gegebene Einspeiseleistung keine Periodizitäten aufwies, erfolgte anschließend die Erzeugung synthetischer Daten.

Univ., Diss.--Kiel, 2007. / Internetausg.: http://eldiss.uni-kiel.de/macau/receive/dissertation_diss_00002606.

Univ., Diss.--Bamberg, 1998.

Chemnitz, Techn. Univ., Diplomarb., 2008.

Zugl.: Bern, Univ., Diss., 2008

Tübingen, Univ., Diss., 2004.

Acad. proeschrift econ. wetenschappen en econometrie Amsterdam, 1999.