Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Về việc phát hiện các mẫu biến đổi không gian-thời gian
Tóm tắt
Trong bài báo này, chúng tôi khám phá một mô hình khai thác mới, gọi là các mẫu biến đổi không gian-thời gian (viết tắt là STFs), nhằm phát hiện các tập đặc trưng tiềm năng có thể biến đổi và hữu ích từ dữ liệu không gian-thời gian. Các tập đặc trưng này có một số thuộc tính biến đổi theo thời gian. Khi các STFs được phát hiện, chúng tôi có thể tìm ra các điểm chuyển biến của các mẫu, điều này cho phép phát hiện bất thường và khám phá các biến đổi theo thời gian. Ví dụ, việc phát hiện các STFs có thể giúp xác định hiện tượng biến đổi của virus trong thời gian bùng phát dịch bệnh, từ đó cung cấp cho chính phủ những manh mối cho việc kiểm soát dịch bệnh. Do đó, chúng tôi phát triển một mô hình khai thác dựa trên hợp nhất với cấu trúc đóng đi xuống để tăng tốc quá trình khai thác không gian-thời gian và tính toán động các mẫu biến đổi. Như được chỉ ra trong các nghiên cứu thực nghiệm của chúng tôi, khung phương pháp đề xuất có thể phát hiện hiệu quả các STFs trên một tập dữ liệu dịch bệnh thực tế, cho thấy những lợi thế vượt trội của nó khi được sử dụng trong các ứng dụng thực tiễn.
Từ khóa
#khai thác dữ liệu #biến đổi không gian-thời gian #phát hiện bất thường #mẫu biến đổi #dịch bệnhTài liệu tham khảo
Aggarwal, C.C., Han, J.: Frequent Pattern Mining. Springer, Berlin (2014)
Agrawal, R., Srikant, R.: Fast algorithms for mining association rules in large databases. In: VLDB (1994)
Almanie, T., Mirza, R., Lor, E.: Crime prediction based on crime types and using spatial and temporal criminal hotspots. Int. J. Data Min. Knowl. Manag. Process (2015)
Alves, R., Belo, O., Ribeiro, J.: Mining top-k multidimensional gradients. In: DaWaK (2007)
Alves, R., Ribeiro, J., Belo, O.: Mining significant change patterns in multidimensional spaces. Int. J. Bus. Intell. Data Min. 4, 219–241 (2009)
Andrienko, G., Malerba, D., May, M., Teisseire, M.: Mining spatio-temporal data. J. Intell. Inf. Syst. 27(3), 187–190 (2006)
Béchet, N., Cellier, P., Charnois, T., Crémilleux, B., Jaulent, M.: Sequential pattern mining to discover relations between genes and rare diseases. In: CBMS (2012)
Bergroth, L., Hakonen, H., Raita, T.: A survey of longest common subsequence algorithms. In: SPIRE (2000)
Birant, D., Kut, A.: ST-DBSCAN: an algorithm for clustering spatial-temporal data. Data Knowl. Eng. 60(1), 208–221 (2007)
Bittner, T.: Rough sets in spatio-temporal data mining. In: Proceedings of Temporal, Spatial, and Spatio-Temporal Data Mining (2000)
Chen, H., Chung, W., Xu, J.J., Wang, G., Qin, Y., Chau, M.: Crime data mining: a general framework and some examples. Computer 37, 50–56 (2004)
Deza, M.M., Deza, E.: Encyclopedia of Distances. Springer, Berlin (2009)
Gaber, M.M., Zaslavsky, A., Krishnaswamy, S.: Mining data streams: a review. ACM Sigmod Rec. 34, 18–26 (2005)
Ganguly, A.R., Steinhaeuser, K.: Data mining for climate change and impacts. In: Proceedings of IEEE International Conference on Data Mining Workshops (2008)
Giannotti, F., Nanni, M., Pinelli, F., Pedreschi, D.: Trajectory pattern mining. In: SIGKDD (2007)
Gudmundsson, J., van Kreveld, M.: Computing longest duration flocks in spatio-temporal data. Manuscript, April (2006)
Hengl, T., Heuvelink, G.B., Tadić, M.P., Pebesma, E.J.: Spatio-temporal prediction of daily temperatures using time-series of MODIS LST images. Theor. Appl. Climatol. 107, 265–277 (2012)
Ho, C., Li, H., Kuo, F., Lee, S.: Incremental mining of sequential patterns over a stream sliding window. In: Workshops Proceedings of ICDM (2006)
Hora, A.C., Anquetil, N., Ducasse, S., . Valente, M. T.: Mining system specific rules from change patterns. In: WCRE (2013)
Jeung, H., Yiu, M. L., Zhou, X., Jensen, C.S., Shen, H.T.: Discovery of convoys in trajectory databases. In: PVLDB (2008)
Kanungo, T., Mount, D.M., Netanyahu, N.S., Piatko, C.D., Silverman, R., Wu, A.Y.: An efficient k-means clustering algorithm: analysis and implementation. IEEE Trans. Pattern Anal. Mach. Intell. 7, 881–892 (2002)
Li, I., Huang, J., Liao, I.: Mining sequential pattern changes. J. Inf. Sci. Eng. 30, 973–990 (2014)
Li, Z., Ding, B., Han, J., Kays, R.: Swarm: mining relaxed temporal moving object clusters. In: PVLDB (2010)
Liu, B., Hsu, W., Han, H., Xia, Y.: Mining changes for real-life applications. In: DaWaK (2000)
Liu, Y., Zhao, Y., Chen, L., Pei, J., Han, J.: Mining frequent trajectory patterns for activity monitoring using radio frequency tag arrays. IEEE Trans. Parallel Distrib. Syst. 23, 2138–2149 (2012)
Lo, D., Ramalingam, G., Ranganath, V.P., Vaswani, K.: Mining quantified temporal rules: formalism, algorithms, and evaluation. Sci. Comput. Program. 77, 743–759 (2012)
Mennis, J.L., Liu, J.W.: Mining association rules in spatio-temporal data: an analysis of urban socioeconomic and land cover change. Trans. GIS 9, 5–17 (2005)
Rao, K.V., Govardhan, A., Rao, K.C.: Spatiotemporal data mining: issues, tasks and applications. Int. J. Comput. Sci. Eng. Surv. 3, 39 (2012)
Reynolds, D.: Gaussian mixture models. In: Li, Stan Z., Jain, Anil (eds.) Encyclopedia of Biometrics. Springer, Boston (2015)
Rokach, L., Maimon, O.: Clustering methods. In: Rokach, L., Maimon, O. (eds.) Data Mining and Knowledge Discovery Handbook. Springer, New York (2005)
Scellato, S., Musolesi, M., Mascolo, C., Latora, V., Campbell A.T.: Nextplace: a spatio-temporal prediction framework for pervasive systems. In: Pervasive (2011)
Shin, J., Shin, D., Shin, D.: Predicting of abnormal behavior using hierarchical Markov model based on user profile in ubiquitous environment. In: GPC (2013)
Teng, S.-Y., Ou, C.-K., Chuang, K.-T.: Mining temporal fluctuating patterns. In: PAKDD (2017)
Trasarti, R., Pinelli, F., Nanni, M., Giannotti, F.: Mining mobility user profiles for car pooling. In: Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2011)
Tsai, C., Shieh, Y.: A change detection method for sequential patterns. Decis. Support Syst. 46, 501–511 (2009)
Verhein, F., Chawla, S.: Mining spatio-temporal association rules, sources, sinks, stationary regions and thoroughfares in object mobility databases. In: Database Systems for Advanced Applications (2006)
Yang, D., Rundensteiner, E.A., Ward, M.O.: Shared execution strategy for neighbor-based pattern mining requests over streaming windows. ACM Trans. Database Syst. 37, 5 (2012)
Yu, J., Ku, W.-S., Sun, M.-T., Lu, H.: An RFID and particle filter-based indoor spatial query evaluation system. In: EDBT (2013)