論文の概要: Extracting Seasonal Gradual Patterns from Temporal Sequence Data Using Periodic Patterns Mining

• arxiv url: http://arxiv.org/abs/2010.10289v1
• Date: Tue, 20 Oct 2020 14:03:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 06:10:14.741834
• Title: Extracting Seasonal Gradual Patterns from Temporal Sequence Data Using Periodic Patterns Mining
• Title（参考訳）: 周期パターンマイニングによる時系列データからの季節変動パターンの抽出
• Authors: Jerry Lonlac, Arnaud Doniec, Marin Lujak, Stephane Lecoeuche
• Abstract要約: 季節的段階的パターンは「Xが増加/減少するとYが増加/減少する」という形で複雑な属性の共変を捉える 多くの時系列データにおいて、同じ時間間隔で定期的に現れる漸進的なパターンを抽出する手法は提案されていない。 本稿では,複数のシークエンスに共通する周期的パターンのマイニングに基づく抽出手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mining frequent episodes aims at recovering sequential patterns from temporal data sequences, which can then be used to predict the occurrence of related events in advance. On the other hand, gradual patterns that capture co-variation of complex attributes in the form of " when X increases/decreases, Y increases/decreases" play an important role in many real world applications where huge volumes of complex numerical data must be handled. Recently, these patterns have received attention from the data mining community exploring temporal data who proposed methods to automatically extract gradual patterns from temporal data. However, to the best of our knowledge, no method has been proposed to extract gradual patterns that regularly appear at identical time intervals in many sequences of temporal data, despite the fact that such patterns may add knowledge to certain applications, such as e-commerce. In this paper, we propose to extract co-variations of periodically repeating attributes from the sequences of temporal data that we call seasonal gradual patterns. For this purpose, we formulate the task of mining seasonal gradual patterns as the problem of mining periodic patterns in multiple sequences and then we exploit periodic pattern mining algorithms to extract seasonal gradual patterns. We discuss specific features of these patterns and propose an approach for their extraction based on mining periodic frequent patterns common to multiple sequences. We also propose a new anti-monotonous support definition associated to these seasonal gradual patterns. The illustrative results obtained from some real world data sets show that the proposed approach is efficient and that it can extract small sets of patterns by filtering numerous nonseasonal patterns to identify the seasonal ones.
• Abstract（参考訳）: 頻繁なエピソードのマイニングは、時系列データシーケンスから逐次パターンを復元することを目的としており、それを使用して、事前に関連する事象の発生を予測する。 一方、「Xの増加/減少、Yの増加/減少」という形で複雑な属性の共変を捉える段階的パターンは、複雑な数値データを大量に扱わなければならない多くの実世界のアプリケーションにおいて重要な役割を果たす。 近年,時間的データから段階的パターンを自動的に抽出する手法を提唱した,時間的データを探索するデータマイニングコミュニティから注目されている。 しかし,これらのパターンが電子商取引などの特定のアプリケーションに知識を与える可能性があるにもかかわらず,多くの時系列データにおいて時間間隔が同じである段階的なパターンを抽出する方法は提案されていない。 本稿では,季節的漸進パターンと呼ぶ時系列データから,周期的に反復する属性の共変分を抽出することを提案する。 この目的のために、複数のシーケンスにおける周期パターンのマイニング問題として季節パターンのマイニングを定式化し、周期パターンのマイニングアルゴリズムを用いて季節パターンの抽出を行う。 これらのパターンの具体的特徴について考察し,複数のシーケンスに共通する周期的頻度パターンのマイニングに基づく抽出手法を提案する。 また,これらの季節的段階的パターンに関連した新たな対単調サポート定義を提案する。 実世界のデータセットから得られた図解的結果は,提案手法が効率的であり,季節的でないパターンを多数フィルタリングして季節的パターンを識別することで,小さなパターン群を抽出できることを示している。

関連論文リスト

• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [30.581736814767606]
  時系列予測は、過去のデータに基づいて将来の価値を予測することを目的としている。 実世界の時間はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。 本稿では,より正確で適応可能な時系列予測のために,パターン特化の専門家を活用した新しいアーキテクチャbftextSを提案する。
  論文  参考訳（メタデータ） (2024-10-13T13:35:29Z)
• Metadata Matters for Time Series: Informative Forecasting with Transformers [70.38241681764738]
  時系列予測のためのMetaTST(Metadata-informed Time Series Transformer)を提案する。 メタデータの非構造化の性質に取り組むため、MetaTSTは、事前に設計されたテンプレートによってそれらを自然言語に形式化する。 Transformerエンコーダは、メタデータ情報によるシーケンス表現を拡張するシリーズトークンとメタデータトークンの通信に使用される。
  論文  参考訳（メタデータ） (2024-10-04T11:37:55Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Time-to-Pattern: Information-Theoretic Unsupervised Learning for Scalable Time Series Summarization [7.294418916091012]
  時系列要約におけるT2P(Time-to-Pattern)という手法を提案する。 T2Pは、最小記述長の概念に従って、最も有能な情報をエンコードする多様なパターンの集合を見つけることを目的としている。 人工的および実世界の実験により、T2Pはノイズや複雑な環境においても、情報的パターンを発見することが判明した。
  論文  参考訳（メタデータ） (2023-08-26T01:15:32Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
  本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。 実装のさまざまな方法を示し、さまざまな問題について評価する。
  論文  参考訳（メタデータ） (2022-10-04T07:21:49Z)
• OPP-Miner: Order-preserving sequential pattern mining [26.997138010841347]
  本稿では時系列データの順序関係に基づいてパターンを表現した順序保存シーケンシャルパターン(OPP)マイニング手法を提案する。 実験により、OPP-Minerは効率的でスケーラブルであるだけでなく、時系列で類似したサブシーケンスを発見できることが示された。
  論文  参考訳（メタデータ） (2022-01-09T11:06:26Z)
• Capturing the temporal constraints of gradual patterns [0.0]
  段階的パターンマイニング(Gradual pattern mining)は、「Xを多くすればYを多くする」といった段階的規則を通じて属性相関を抽出することを可能にする。 例えば、研究者は段階的なパターンマイニングを適用して、データセットのどの属性が不慣れな相関を示すかを決定することで、より深い探索や分析のためにそれらを分離することができる。 この作業は、私たちの社会のほぼすべての領域でIoTアプリケーションの普及によって動機付けられています。
  論文  参考訳（メタデータ） (2021-06-28T06:45:48Z)
• Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
  シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-23T05:23:35Z)
• Discovering Frequent Gradual Itemsets with Imprecise Data [0.4874780144224056]
  The more/less X, The more/less Y" という形式の属性の複雑な共変分をモデル化する段階的なパターンは、多くの現実世界のアプリケーションにおいて重要な役割を果たす。 本稿では,増加または減少を考慮した漸進性しきい値を導入することを提案する。
  論文  参考訳（メタデータ） (2020-05-22T08:02:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。