極小出現区間を用いたエピソードマイニングの高速化 Efficent Serial Episode Mining with Minimal Occurrences

この論文にアクセスする

この論文をさがす

著者

抄録

巨大なデータ集合の中から,有用な知識や情報を発見するデータマイニングは,現代の様々な分野で重要な技術であり,特に,時系列データを対象とした時系列データマイニングが注目を集めている.本論文では,頻出時系列エピソード発見問題を研究する.これは,与えられた系列データから,最大窓幅 w の制約の元で,頻出エピソードと呼ばれる頻出する部分系列を効率的に取り出す問題である.本稿では,高速な頻出集合発見アルゴリズム LCM を元にして,エピソード発見のための深さ優先型探索アルゴリズムといくつかの高速化手法を提示し,計算機実験で評価する.技法の一部は,高速系列パターン発見エンジン LCM_seq に実装されており,本稿はこれらの技法の系列マイニングにおける有効性について考察する.Recently, knowledge discovery in large data increases its importance in various fields. Especially, data mining from time-series data gains much attension. This paper studies the problem of finding frequent episodes appearing in a sequence of events. We propose an efficient depth-first-search algorithm for mining frequent serial episodes in a given event sequence using the notion of right-minimal occurrences. Then, we present some techniques for speeding up the algorithm. Finally, we ran experiments on real datasets to evaluate the usefulness of the proposed methods.

Recently, knowledge discovery in large data increases its importance in various fields. Especially, data mining from time-series data gains much attension. This paper studies the problem of finding frequent episodes appearing in a sequence of events. We propose an efficient depth-first-search algorithm for mining frequent serial episodes in a given event sequence using the notion of right-minimal occurrences. Then, we present some techniques for speeding up the algorithm. Finally, we ran experiments on real datasets to evaluate the usefulness of the proposed methods.

収録刊行物

  • 情報処理学会研究報告データベースシステム(DBS)

    情報処理学会研究報告データベースシステム(DBS) 2008(56(2008-DBS-145)), 113-120, 2008-06-12

    一般社団法人情報処理学会

参考文献:  10件中 1-10件 を表示

各種コード

  • NII論文ID(NAID)
    110006834782
  • NII書誌ID(NCID)
    AN10112482
  • 本文言語コード
    JPN
  • 資料種別
    Technical Report
  • ISSN
    09196072
  • NDL 記事登録ID
    9570185
  • NDL 雑誌分類
    ZM13(科学技術--科学技術一般--データ処理・計算機)
  • NDL 請求記号
    Z14-1121
  • データ提供元
    CJP書誌  NDL  NII-ELS  IPSJ 
ページトップへ