时间序列是指按照时间顺序排列的一系列观测值,具有数据规模庞大,高维度和数据实时更新的特点,时间序列广泛存在于现实生活中的各个领域。时间序列中隐藏的规律往往能够为事物的发展提供重要的信息。随着时间序列在多个领域的出现,对时间序列的分析也越来越成为人们研究的热点。时间序列相似性连接是时间序列分析的基本操作,其主要的目的是找到两个时间序列中相似的子序列。时间序列相似性连接目前主要面临的问题有三个方面。首先是原始数据的预处理操作;其次是相似性度量函数的选取;最后是如何对于规模庞大的时间序列进行高效且准确的分析与挖掘。本文围绕这三个方面对时间序列的相似性连接进行深入研究,并在分布式平台上实现了高效的相似性连接算法。首先针对原始数据的预处理操作,本文选取的方式是Z-Normalization标准化对原始时间序列进行预处理。对于相似性度量函数,皮尔逊相关系数因其只进行一次线性扫描和保证数据的偏移和缩放不发生变化的优势常被用作于相似性度量函数,使用Pearson相关系数来衡量两个时间序列之间的相似性可以提供很重要的信息。在大数据时代,为了提高大规模时间序列数据分析的效率,分布式平台为时间序列的挖掘与分析提供了强大的计算能力。基于上述问题,本文提出了一种并行的时间序列相似性连接算法,并在不同的并行环境中对该时间序列进行相似性连接算法进行实现,主要的贡献如下。1.为了提高时间序列之间相关系数的计算效率,提出了并行化的FFT算法。2.在Spark平台上实现了时间序列相似性连接算法。为了适应分布式计算平台的特点,提出了一种时间序列划分的办法;为了提高扫描点积矩阵的效率,提出了一种点积矩阵划分的办法。并在真实的数据集上进行了充分的实验,对实验结果进行分析与评估。实验结果证明了我们的算法的高效性以及在不同数据集上的可扩展性。3.将时间序列相似性连接算法扩展到Map Reduce平台上,并在不同的数据集上进行实验验证,实验结果验证了算法在Map Reduce平台上的效率和性能。4.将本文提出了连接算法应用于时间序列的频繁模式挖掘,并给出部分匹配结果证实本文算法应用在频繁模式挖掘上的有效性。