دانلود کتاب Predictive Mining of Time Series Data

ترجمه فارسی توضیحات (ترجمه ماشینی)

کاوی پیش بینی داده های سری زمانی

مانیتورهای تمام آسمان یک پیشرفت نسبتاً جدید در نجوم هستند و داده‌های آنها منبعی تا حد زیادی دست‌نخورده است. استفاده صحیح از این منبع می تواند به اکتشافات مهمی نه تنها در فیزیک اجسام متغیر، بلکه در نحوه مشاهده چنین اجسامی منجر شود. ما در مورد توسعه یک جعبه ابزار جاوا برای داده های سری زمانی نجومی بحث می کنیم. به‌جای استفاده از روش‌های مرسوم در نجوم (به‌عنوان مثال، طیف قدرت و تحلیل همبستگی متقابل)، از تکنیک‌های کشف قانون که معمولاً در تجزیه و تحلیل داده‌های بازار سهام استفاده می‌شود، استفاده می‌کنیم. با خوشه‌بندی الگوهای موجود در داده‌ها، کشف قانون به فرد اجازه می‌دهد تا مدل‌های پیش‌بینی‌کننده بسازد، و به فرد اجازه می‌دهد پیش‌بینی کند که چه زمانی ممکن است یک رویداد معین رخ دهد یا اینکه آیا وقوع یک رویداد، رویداد دوم را آغاز می‌کند. ما جعبه ابزار و ابزار نمایش همراه آن را روی مجموعه داده ها (نماینده چندین کلاس از اشیاء) از RXTE All Sky Monitor آزمایش کرده ایم. ما از این مجموعه داده ها برای نشان دادن روش ها و عملکرد جعبه ابزار استفاده می کنیم. ما الگوهای پیش بینی را در چندین مجموعه داده ASM پیدا کرده ایم. ما همچنین مشکلاتی را که در فرآیند توسعه با آن مواجه هستیم، به ویژه مشکلات برخورد با داده های گسسته و نمونه برداری نامنظم را مورد بحث قرار می دهیم. یک کاربرد احتمالی می تواند در برنامه ریزی هدف مشاهدات فرصتی باشد که در آن ستاره شناس می خواهد یک شی را هنگام وقوع یک رویداد یا مجموعه ای از رویدادها مشاهده کند. با ترکیب چنین جعبه ابزاری با ابزار جستجوی خودکار جاوا که به طور منظم داده‌های مربوط به اشیاء مورد نظر را جمع‌آوری می‌کند، اخترشناس یا اپراتور تلسکوپ می‌تواند از جریان داده بلادرنگ برای پیش‌بینی مؤثر وقوع (به عنوان مثال) یک شعله‌ور شدن یا رویداد دیگر استفاده کند. با ترکیب جعبه ابزار با ابزارهای مختلف پیش پردازش و کاهش ابعاد، می توان رویدادهایی را پیش بینی کرد که ممکن است در مقیاس های زمانی متغیر رخ دهند.

Predictive Mining of Time Series Data

All-sky monitors are a relatively new development in astronomy, and their data represent a largely untapped resource. Proper utilization of this resource could lead to important discoveries not only in the physics of variable objects, but in how one observes such objects. We discuss the development of a Java toolbox for astronomical time series data. Rather than using methods conventional in astronomy (e.g., power spectrum and cross-correlation analysis) we employ rule discovery techniques commonly used in analyzing stock-market data. By clustering patterns found within the data, rule discovery allows one to build predictive models, allowing one to forecast when a given event might occur or whether the occurrence of one event will trigger a second. We have tested the toolbox and accompanying display tool on datasets (representing several classes of objects) from the RXTE All Sky Monitor. We use these datasets to illustrate the methods and functionality of the toolbox. We have found predictive patterns in several ASM datasets. We also discuss problems faced in the development process, particularly the difficulties of dealing with discretized and irregularly sampled data. A possible application would be in scheduling target of opportunity observations where the astronomer wants to observe an object when a certain event or series of events occurs. By combining such a toolbox with an automatic, Java query tool which regularly gathers data on objects of interest, the astronomer or telescope operator could use the real-time datastream to efficiently predict the occurrence of (for example) a flare or other event.By combining the toolbox with various preprocessing and dimensionality reduction tools, one could predict events which may happen on variable time scales.