.png){kind=icon}
返回
Discovering Significant Sequential Patterns in Data Stream by an Efficient Two-Phase Procedure
.png){kind=icon}
OA
AI
DOI：10.1155/2022/5379086.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据流中的序列模式挖掘的一个关键议题是优化时空计算。然而，更重要的是应关注挖掘结果的意义，因为其中很大一部分纯粹是偶然符合用户定义的约束，可能缺乏统计显著性。本文提出FSSPDS算法，一种高效的两阶段算法，用于在典型滑动窗口的数据流中发现显著序列模式（SSPs），而这一问题在现有研究中尚未被考虑。首先，为生成高质量的SSPs候选模式，FSSPDS考虑了可测试支持度和模式长度约束，并通过一种模式增长方法及时移除不显著的模式。在第二阶段，采用适当的置换检验来验证SSPs候选模式的显著性。基于无条件Barnard检验统计量，通过一种新颖的组合方式获得精确的置换p值，这能更好地反映数据生成与收集的过程。实验评估表明，FSSPDS能够在数据流中有效发现SSPs，并在控制族错误率（FWER）的条件下，其效率堪比当前最优方法，尤其在时间效率方面，性能提升了约一个数量级。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息