时间序列是指按时间排序的一组观察值集合,并广泛应用于金融、医疗等众多领域,同时时间序列也存在维数高、规模大、结构复杂和噪声干扰等缺点,为了降低数据处理的复杂度,提高时间序列数据挖掘的准确度,本文在相关文献基础上,针对多变量时间序列在特征表示和特征选择(即属性选择)中存在的一些不足,提出了一些改进方法,本文的主要工作如下:(1)针对MCPCA的多变量时间序列特征表示算法的缺陷做出了改进,在介绍改进算法前,介绍了 CPCA算法和MCPCA算法在多变量时间序列中的使用原理和基本思想,并对算法步骤做了详细介绍,接着指出MCPCA中存在的问题,即所有子模块权重一致,提出基于类可分离性加权的MTS特征表示算法。为了突出不同子模块的权重,提高分类准确率,将类可分离性用于多变量时间序列的子模块加权中,通过最大化类间离散程度和类内离散程度比值给不同子模块赋予权重,加权后的子模块更能突出局部信息,提高局部信息对分类贡献。(2)针对现有的多变量时间序列属性选择算法准确率不高、时间复杂度高的情况,提出一种基于相关性密度的多变量时间序列属性选择方法ACDR,首次将快速聚类算法应用于多变量时间序列的属性选择中,将属性选择过程看成是聚类过程,选取各类的中心样本点作为代表属性。同时,为了解决多变量时间序列不等长和计算复杂度高的问题,介绍了相关性度量方法,并使用相关性矩阵代替原多变量时间序列矩阵。最后在根据ACDR算法绘制的属性参考指数排序图中,定义图中拐点为属性参考指数二阶变化率最大的点,并将拐点之前的属性选为特征属性,构成属性子集,实验结果验证了本文算法的是一种有效的MTS属性选择算法。