挖掘时间序列中的季节性时间模式
摘要：从越来越广泛的物联网传感器中，可以获取大量的时间序列数据，通过从中挖掘时间模式可以获得重要的见解。在许多实际应用中发现的一种有用的模式是周期性发生的，因此被称为季节性时间模式（STP）。与常规模式相比，挖掘季节性时间模式更具挑战性，因为传统的度量指标如支持度和置信度无法捕捉到季节性特征。此外，反单调性特性在STPs中并不成立，因此导致一个指数级的搜索空间。本文提出了我们的时间序列中频繁季节性时间模式挖掘（FreqSTPfTS）解决方案，提供：（1）第一个可以在不同数据粒度上挖掘季节性时间模式（STPM）的时间序列挖掘方案。 （2）STPM算法使用高效的数据结构和两种剪枝技术来减少搜索空间并加速挖掘过程。 （3）一个近似版本的STPM使用数据相关性的度量值——互信息——来从搜索空间中剪枝不太有希望的时间序列。 （4）进行了大量的实验评估，结果显示STPM在运行时间和内存消耗方面优于基准方法，并且可以扩展到大型数据集。近似STPM的速度比基准方法快上一个数量级，并且内存消耗更少，同时保持较高的准确性。
作者：Van Long Ho, Nguyen Ho, Torben Bach Pedersen
论文ID：2206.14604
分类：Databases
分类简称：cs.DB
提交时间：2023-01-10