一种时态关联规则挖掘算法

时态关联规则挖掘是针对在一段时间范围内的关联挖掘,在现实中有较多的应用。现有的大多数时态关联挖掘算法或者需要多次扫描数据库,或者没有考虑各个项在数据集上出现或结束时间上的不同,因而挖掘性能受到较大的制约。为此,本文提出一种增量式的面向具有不同时间出现与结束的项的时态关联规则挖掘算法。为减少存储方面的开销,只需保存已挖掘过的历史数据集中的频繁1项集。为了减少数据的扫描量,通过有效的剪枝策略,有选择性地扫描相关事务项,至多只需扫描一次完整的数据库。实验证明,该算法具有较好的挖掘性能。

时态数据挖掘研究进展

在现实生活中,大量数据集之中的数据都带有时间特征.时态数据随处可见,遍及经济、气象、通信、医疗等等多个领域.股市每日(或月)指数、交换机的每小时的业务量、某一患者的脑电波和Web页的日访问量,这些都是比较常见的例子.对这些时态数据进行分析,从中获取蕴含的系统演化规律,从而完成对系统的未来行为的预测,具有重要的价值和意义.

运用空间重构进行时态序列模式演化挖掘

为了研究时态序列模式演化特征,在给出模式演化片段、模式演化片段集合和频繁模式演化片段定义之后,基于Takens定理,论证了重构空间内模式演化与原空间模式演化之间的等价性关系;给出了重构后的频繁模式演化范型挖掘方法和频繁模式演化范型生成规则的方法;针对周期、混沌和利率三种不同类型的序列数据进行方法的有效性研究。

时态数据挖掘在图书馆参考咨询工作中的应用

在研究时态数据挖掘和图书馆参考咨询工作的基础之上,阐明了它们之间的相互关系,介绍了时态数据挖掘在图书馆参考咨询工作中的应用过程和这一技术应用后的效果。

带有效时间区间的模糊时态关联规则的挖掘

随着市场竞争的日趋激烈和业务环境的不断变化,企业数据中的时间信息的管理问题受到人们普遍关注。时态数据挖掘成为数据挖掘研究的一个热点。考虑到用户的时态需求常常是非确定和非精确的,在采用模糊时态代数来表达时态需求的基础上,提出了一种带有效时间的模糊关联规则,并给出了一种基于FP-树的挖掘方法。最后用一个例子对该方法的执行过程进行解释。

时态模式数据挖掘在金融领域的应用

B-J方法在预测时要求时间序列具有稳定性、正态性和残差的独立性,为了克服B-J方法的局限性,由Povinelli和FengXin提出的TSDM方法,对原作者时态模式数据挖掘优化方法进行了修正。修正方法能够减少运算时间,提高预测收益率。以Povinell的博士论文为例,通过DJIA30工业指数的具体数据说明TSDM方法在金融领域如何建模、预测分析。但TSDM方法还存在不足,需不断修正。

基于时态数据挖掘的图书馆建设与服务发展

从动态的角度研究了图书馆建设与服务发展,结合时态数据挖掘的特点,探讨了如何将时态数据挖掘应用于图书馆建设与服务领域,并以实例论证了其有效性。

时态数据的趋势序列分析及其子序列匹配算法研究

针对时态数据挖掘中传统趋势序列分析的缺点,提出了数字趋势序列、趋势序列展开等概念.根据数字趋势序列的特点,使用片段斜率所对应的弧度值来度量片段的趋势.针对数字趋势序列的子序列匹配问题,设计了“DTW双约束快速搜索算法”.算法分为3个部分:DTW顺序搜索、双约束机制、冗余消除机制,其中DTW顺序搜索构成了算法的基本框架,双约束机制加快了DTW距离的计算过程,冗余消除机制消除了最终结果集中的冗余.

一类周期时态关联规则的知识发现问题

本文研究了一类基于时态约束的各属性状态之间的周期时态关联规则问题 ,适用于发展有限个属性之间的状态周期性地按时间的关联性的问题 .

一种增量时态关联规则算法

由于时态数据都有较强的时间性,即数据会随时间的变化而变化,当前已发现的某些关联规则可能不再有效。因此,我们提出了一种时态约束下的增量式关联规则挖掘算法,随着新数据的产生,增量地更新关联规则集,尽可能地只处理新数据。该算法主要是根据时态事件模型和序列模型以及Apriori原则,在快速更新算法思想基础上产生的,在实际应用中有很大的意义,能对股票数据、银行数据、超市数据和气象数据等时态数据进行分析和研究。

确定学习与基于数据的建模及控制

确定学习运用自适应控制和动力学系统的概念与方法,研究未知动态环境下的知识获取、表达、存储和利用等问题.针对产生周期或回归轨迹的连续非线性动态系统,确定学习可以对其未知系统动态进行局部准确建模,其基本要素包括:1)使用径向基函数(Radial basis function,RBF)神经网络;2)对于周期(或回归)状态轨迹满足部分持续激励条件;3)在周期(或回归)轨迹的邻域内实现对非线性系统动态的局部准确神经网络逼近(局部准确建模);4)所学的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储,并可在动态环境下用于动态模式的快速识别或者闭环神经网络控制.本文针对离散动态系统,扩展了确定学习理论,提出一个根据时态数据序列对离散动态系统进行建模与控制的框架.首先,运用确定学习原理和离散系统的自适应辨识方法,实现对产生时态数据的离散非线性系统的未知动态进行局部准确的神经网络建模,并利用此建模结果对时态数据序列进行时不变表达.其次,提出时态数据序列的基于动力学的相似性定义,以及对离散动态系统产生的时态数据序列(亦可称为动态模式)进行快速识别方法.最后,针对离散非线性控制系统,实现了基于时态数据序列对控制系统动态的闭环辨识(局部准确建模).所学关于闭环动态的知识可用于基于模式的智能控制.本文表明确定学习可以为时态数据挖掘的研究提供新的途径,并为基于数据的建模与控制等问题提供新的研究思路.

时态约束下的频繁模式挖掘算法

时态数据是一类重要的数据信息.利用数据中包含的时间属性可以形象描述数据中潜在的变化规律,预测将来可能的发展趋势.本文提出一种时态频繁模式挖掘算法(TemFP).根据现有的时态查询函数,该算法给出一种用于存储频繁模式时态属性的双树结构(DB^+-tree).利用包含 DB^+-tree 的时态频繁模式树,使用户定义的时态规则快速查询成为可能.实验结果表明该算法是有效和可扩展的.