时间序列分析与挖掘的主要目的是根据已有的历史数据分析对未来数据进行预测，其技术在医疗、教育、金融、制造等领域均有广泛的应用，是人工智能研究中的核心技术之一。

近日，我校创新创业学院/计算机辅助设计国家地方联合工程实验室金博教授研究团队在时间序列的分析与挖掘领域连续取得新进展，其中代表性工作分别关注于时间序列挖掘领域中的相关性分析、时序预测和信息推荐等三个核心问题，深入研究了时间序列挖掘技术在医疗场景下如何有效得以应用，提出了一系列创新性的研究成果，从模型和算法方面达到领先的性能水平。

研究一：使用正则化模板来提取稀疏连通网络

动态系统（例如医疗临床辅助诊断系统）通常包括很多信号（患者身体状态），如何获取信号之间的相关性并用来进行诊断任务是一个颇受关注的问题。金博教授团队创新性的提出了一种共享自适应正则项（shared adaptive regularization，SAR）以及其对应的学习框架来提取动态系统的稀疏连通网络，该研究提取出的稀疏连通网络以及共享模板有着良好的解释性，为数据特征间的内在关系分析（例如探索正常人与患病人的区别）提供了一个新的解决方案。

研究二：基于双自适应序列学习网络的治疗用药预测方法

智能医疗目前是一个备受关注的课题，该研究是基于临床医疗电子病历数据提出的辅助用药决策算法，目的是通过有效预测治疗药物，帮助医生为患者做出更佳的处方决策。金博团队提出了双自适应序列学习网络模型用以提前预测下一阶段的治疗用药，达到相对较好的预测性能，同时可为临床治疗用药提供用药决策支持。

研究三：协同过滤的交错特征融合网络

推荐系统可以向用户推荐其感兴趣的产品或信息，然而目前大部分算法并未考虑所推荐信息本身的特性维度。金博团队提出了一种用于融合用户特征和项目特征的基于协同过滤的交叉特征融合神经网络框架(CFFNN)，创新性地提出研究用户特征和项目特征融合的工作，为基于神经网络的协同过滤的未来发展开辟了新的研究可能性。

上述三方面工作分别完成了3篇文章，近期连续被国际数据挖掘领域旗舰期刊IEEE Transactions on Knowledge and Data Engineering（TKDE）收录，论文通讯作者为是我校创新创业学院/计算机辅助设计国家地方联合工程实验室金博教授。TKDE是中国计算机学会（CCF）推荐的A类期刊，主要刊登计算机科学、人工智能、电子工程、计算机工程等领域在知识与数据工程方向的学术论文，在数据挖掘领域排名第一。

以上三项工作得到了国家科技部重点研发计划项目、国家自然科学基金面上项目等的大力支持。

文章链接：