基于間隔事件的時(shí)間模式挖掘算法研究.pdf

1、本文研究了有時(shí)間間隔的事件的挖掘問題。假設(shè)原始數(shù)據(jù)庫由事件序列集構(gòu)成，其中事件發(fā)生在時(shí)間間隔內(nèi)，我們的目的是挖掘出數(shù)據(jù)庫中頻繁發(fā)生的間隔事件間的時(shí)間關(guān)聯(lián)規(guī)則。之所以進(jìn)行這項(xiàng)工作是因?yàn)槲覀冇^察到在實(shí)際生活中，很多事件并不是瞬時(shí)發(fā)生的，而是發(fā)生在一段時(shí)期內(nèi)。因此，許多諸如網(wǎng)絡(luò)監(jiān)測，交易記錄和醫(yī)療數(shù)據(jù)庫的分析等實(shí)際應(yīng)用都需要挖掘出間隔事件之間的關(guān)系。
　　本文改進(jìn)了現(xiàn)有的被稱為EMEMISP(Extending of MEMory In

2、dexing for Sequential Pattern mining)的算法，該算法用來從間隔事件數(shù)據(jù)中挖掘時(shí)間關(guān)聯(lián)規(guī)則。在序列模式挖掘領(lǐng)域，MEMISP算法比其他諸如GSP和PrefixSpan等算法更高效，因此EMEMISP算法選擇了擴(kuò)展該算法，使其應(yīng)用于基于間隔事件的時(shí)間關(guān)聯(lián)規(guī)則挖掘領(lǐng)域。和EMEMISP算法相比，改進(jìn)后的算法主要做了兩個(gè)方面的提高。首先，在挖掘過程中，我們基于Apriori算法原理應(yīng)用了剪枝策略，這將有效的降

3、低算法的計(jì)算量。其次，和EMEMISP算法將每個(gè)模式中涉及的所有事件間的關(guān)系全部存儲起來不同，我們只存儲頻繁2-模式中事件間的關(guān)系，在存儲其他的n-模式時(shí)(n>2),通過增加相應(yīng)的指針來指向?qū)?yīng)的頻繁2-模式。
　　類似于EMEMISP算法，改進(jìn)后的算法同樣要求首先掃描數(shù)據(jù)庫，并且不需要生成候選模式集和數(shù)據(jù)庫映射。在得到所有的頻繁模式后，應(yīng)用相應(yīng)的算法得到我們感興趣的時(shí)間關(guān)聯(lián)規(guī)則。
　　除了改進(jìn)EMEMISP算法外，本文還在