.png){kind=icon}
返回
Temporal fuzzy utility-based data analysis on data streams
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127836.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于时序模糊效用数据分析方法，通过关注数据中的时序因素和结果的可读性，提供了对各类智能系统中进行理性决策或预测有用的有趣模式。然而，考虑到不断累积的海量真实数据流，这可能是一项具有挑战性的任务。本文提出了一种高效的方法，用于流数据分析中的时序模糊效用模式挖掘。该方法通过模糊集理论引入语言项，并考虑模式的时序因素，以发现具有高效用性的有趣模式。为优化数据流环境中的性能，所提出的方法引入了一种高效的模式搜索列表结构，并通过新颖的剪枝策略减小搜索空间。此外，所设计的技术对插入的数据流进行一次扫描，这在类似场景中是必要的。在合成和真实数据集上的全面实验表明，所提出的方法在可扩展性、运行时间和内存方面优于最新算法。与当前最佳方法相比，所提出的方法在真实数据集上快达一个数量级，并且随着数据规模的增加，其扩展效率超过1.5倍。进一步的准确性和显著性实验表明了所发现模式的可靠性以及所引入剪枝策略的有效性。
Keyword:
Stream data analysis
Temporal fuzzy
Pattern analysis
High utility pattern
Data streams
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
分享收藏Efficient algorithms to mine concise representations of frequent high utility occupancy patterns.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Mining Transactional Databases for Frequent and High-Utility Fuzzy Sequential Patterns With Time IntervalsIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Incremental high utility pattern mining with static and dynamic databases基于静态和动态数据库的增量式高效用模式挖掘APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏OntoCommerce: Incorporating Ontology and Sequential Pattern Mining for Personalized E-Commerce RecommendationsOntoCommerce: 结合本体和序列模式挖掘进行个性化电子商务推荐IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容