論文の概要: OPP-Miner: Order-preserving sequential pattern mining
- arxiv url: http://arxiv.org/abs/2202.03140v2
- Date: Wed, 9 Feb 2022 04:01:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 14:53:18.794151
- Title: OPP-Miner: Order-preserving sequential pattern mining
- Title(参考訳): OPP-Miner:順序保存型シーケンシャルパターンマイニング
- Authors: Youxi Wu, Qian Hu, Yan Li, Lei Guo, Xingquan Zhu, Xindong Wu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 26.997138010841347
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A time series is a collection of measurements in chronological order.
Discovering patterns from time series is useful in many domains, such as stock
analysis, disease detection, and weather forecast. To discover patterns,
existing methods often convert time series data into another form, such as
nominal/symbolic format, to reduce dimensionality, which inevitably deviates
the data values. Moreover, existing methods mainly neglect the order
relationships between time series values. To tackle these issues, inspired by
order-preserving matching, this paper proposes an Order-Preserving sequential
Pattern (OPP) mining method, which represents patterns based on the order
relationships of the time series data. An inherent advantage of such
representation is that the trend of a time series can be represented by the
relative order of the values underneath the time series data. To obtain
frequent trends in time series, we propose the OPP-Miner algorithm to mine
patterns with the same trend (sub-sequences with the same relative order).
OPP-Miner employs the filtration and verification strategies to calculate the
support and uses pattern fusion strategy to generate candidate patterns. To
compress the result set, we also study finding the maximal OPPs. Experiments
validate that OPP-Miner is not only efficient and scalable but can also
discover similar sub-sequences in time series. In addition, case studies show
that our algorithms have high utility in analyzing the COVID-19 epidemic by
identifying critical trends and improve the clustering performance.
- Abstract(参考訳): 時系列 (time series) は、時系列の計測値の集合である。
時系列からパターンを発見することは、ストック分析、疾患検出、天気予報など、多くの領域で有用である。
パターンを発見するために、既存の手法は、しばしば時系列データを名目/記号形式などの別の形式に変換し、次元性を減らす。
さらに,既存の手法は時系列値間の順序関係を主に無視する。
そこで本稿では,順序保存マッチングに着想を得て,時系列データの順序関係に基づくパターンを表現する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。
このような表現の固有の利点は、時系列データの下の値の相対順序で時系列のトレンドを表現することができることである。
時系列の頻繁な傾向を得るため、同じ傾向(同じ相対順序のサブシーケンス)のパターンをマイニングするOPP-Minerアルゴリズムを提案する。
OPP-Minerは、フィルタと検証戦略を用いてサポートを計算し、パターン融合戦略を用いて候補パターンを生成する。
結果集合を圧縮するために,最大 OPP の探索も検討した。
実験では、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することもできる。
また,本研究のケーススタディでは,危機的傾向を同定し,クラスタリング性能を向上させることで,covid-19流行の分析に高い有用性を示す。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - 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) - A Pattern Discovery Approach to Multivariate Time Series Forecasting [27.130141538089152]
モデル複雑性は時系列の長さとともに指数関数的に増加するので、最先端のディープラーニング手法はフルタイムのモデルの構築に失敗する。
本稿では,多種多様な時系列パターンを自動的にキャプチャできる新しいパターン探索手法を提案する。
また,学習可能な相関行列を提案し,複数の時系列間の相関関係をモデル化する。
論文 参考訳(メタデータ) (2022-12-20T14:54:04Z) - TaSPM: Targeted Sequential Pattern Mining [53.234101208024335]
本稿では,高速CM-SPAMアルゴリズムに基づく汎用フレームワークTaSPMを提案する。
また,マイニングプロセスにおける無意味な操作を減らすために,いくつかのプルーニング戦略を提案する。
実験の結果,新たなターゲットマイニングアルゴリズムであるTaSPMは実行時間を短縮し,メモリ消費を低減できることがわかった。
論文 参考訳(メタデータ) (2022-02-26T17:49:47Z) - Optimal Latent Space Forecasting for Large Collections of Short Time
Series Using Temporal Matrix Factorization [0.0]
複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。
本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-15T11:39:21Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - Extracting Seasonal Gradual Patterns from Temporal Sequence Data Using
Periodic Patterns Mining [0.0]
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。
論文 参考訳(メタデータ) (2020-10-20T14:03:37Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳(メタデータ) (2020-06-20T03:29:02Z) - Data Curves Clustering Using Common Patterns Detection [0.0]
分析とクラスタリングの時系列、あるいは一般にあらゆる種類の曲線は、いくつかの人間の活動にとって重要である。
共通パターン(CP)方法論を用いた新しい曲線クラスタリングについて紹介する。
論文 参考訳(メタデータ) (2020-01-05T18:36:38Z)
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。