الفهرس | Only 14 pages are availabe for public view |
Abstract تعدين قواع د مجموعا ت التعدين ف ى السلاسل الزمنية متعددة المتغيرات هو أسلوب تعلم آلي قائم على القواعد لاكتشاف العلاقات المثيرة للاهتمام الموجودة بين المتغيرات في قواعد البيانات الكبيرة مثل التنقيب عن علاقات الارتباط العميقة بينها. يمكن استخدام خوارزميات التعدين التقليدية لقواعد الارتباط بشكل عام فقط لبيانات المعاملات ، وتحليل سلة السوق. من بين العديد من الخوارزميات الموجودة ، فإن Apriori و FP-Growth هما خوارزميات فعالة وقابلة للتطوير تستخدم لتحليل أنماط إنشاء قاعدة الارتباط الزمني. يتمثل التمييز بين الخوارزميتين في أن خوارزمية Apriori تول د مرشح مجموعات عناصر متكررة بينما تتجنب خوارزمية نمو FP-Growth توليد المرشح و تنشأ شجرة من خلال استراتيجية ”” divide and conquers ”” اقتصادية وفعالة. علاوة على ذلك ، تستخدم خوارزمية FP- Growth بنية شجرة ) FP-tree ( لضغط المعلومات المطلوبة لتعدين الأنماط المتكررة وإنشاء أشجار - trees FP بشكل متكرر للعثور على جميع الأنماط الشائعة دون الحاجة إلى إنشاء مرشح. ومع ذلك ، فإنها تميل إلى المعاناة من فجوة الأداء عند معالجة مجموعات البيانات الضخمة بسبب التعقيد المتزايد لإجراءات التعدين وتكاليف استهلاك الذاكرة الكبيرة. تستعرض هذه الأطروحة العديد من تقنيات التنقيب عن قواعد الارتباط وتقترح خوارزمية -growth MFP في سلاسل زمنية فردية ومتعددة المتغيرات لتعدين الأنماط المتكررة. علاوة على ذلك ، يتم إنشاء قواعد الارتباط الزمني من الأنماط المكتشفة. تظهر النتائج التي تم الحصول عليها قابلية الاستخدام والأداء للخوارزمية المقترحة في كل من وقت التشغيل واستهلاك الذاكرة باستخدام مجموعات بيانات معيارية مختلفة ، والتي تركز على تطبيقاتها المحتملة في سياقات مختلفة. |