دانلود کتاب Efficient Mining of Partial Periodic Patterns in Time Series Database

ترجمه فارسی توضیحات (ترجمه ماشینی)

استخراج کارآمد الگوهای دوره ای جزئی در پایگاه داده سری های زمانی

جستجوی دوره‌ای جزئی، یعنی جستجوی الگوهای تناوبی جزئی در پایگاه‌های داده سری زمانی، یک مشکل داده کاوی جالب است. مطالعات قبلی در مورد جستجوی تناوب عمدتاً یافتن الگوهای دوره ای کامل را در نظر می گیرند، جایی که هر نقطه از زمان (دقیقا یا تقریباً) به تناوب کمک می کند. با این حال، تناوب جزئی در عمل بسیار رایج است زیرا به احتمال زیاد فقط برخی از قسمت‌های زمانی ممکن است الگوهای تناوبی را نشان دهند. ما چندین الگوریتم را برای استخراج کارآمد الگوهای تناوبی جزئی، با کاوش برخی ویژگی‌های جالب مربوط به تناوب جزئی، ارائه می‌کنیم. ویژگی Apriori و max-subpattern hit set خاصیت، و با استخراج مشترک از چند دوره. ویژگی max-subpattern hit set یک ویژگی جدید حیاتی است که به ما امکان می دهد تعداد تمام الگوهای مکرر را از زیر مجموعه نسبتاً کوچکی از الگوهای موجود در سری های زمانی استخراج کنیم. ما نشان می دهیم که تناوب جزئی استخراج تنها به دو اسکن در پایگاه داده سری زمانی نیاز دارد، حتی برای استخراج دوره های متعدد. مطالعه عملکرد نشان می‌دهد که روش‌های پیشنهادی ما در استخراج الگوهای دوره‌ای طولانی بسیار کارآمد هستند.

Efficient Mining of Partial Periodic Patterns in Time Series Database

Partial periodicity search, i.e., search for partial periodic patterns in time-series databases, is an interesting data mining problem. Previous studies on periodicity search mainly consider finding full periodic patterns, where every point in time contributes (precisely or approximately) to the periodicity. However, partial periodicity is very common in practice since it is more likely that only some of the time episodes may exhibit periodic patterns.We present several algorithms for efficient mining of partial periodic patterns, by exploring some interesting properties related to partial periodicity, such as the Apriori property and the max-subpattern hit set property, and by shared mining of multiple periods. The max-subpattern hit set property is a vital new property which allows us to derive the counts of all frequent patterns from a relatively small subset of patterns existing in the time series. We show that mining partial periodicity needs only two scans over the time series database, even for mining multiple periods. The performance study shows our proposed methods are very efficient in mining long periodic patterns.