時態數據中序列模式挖掘研究

盧海濤

摘 要：時態數據中對不確定性和周期數據如何處理，現有的時態數據模型很少涉及。分析時態數據中不確定數據和周期數據，可以從大量的數據中發現有意義的時間相關性，幫助企業決策者預測客戶未來的行為變化趨勢，總結客戶對象隨時間變化的規律，從而實現時態數據中序列模式的挖掘問題。該文對時態數據中序列模式挖掘技術進行了研究。

關鍵詞：時態數據 序列模式 BI 數據挖掘

中圖分類號：TP391 文獻標識碼：A 文章編號：1674-098X（2014）05（a）-0056-01

序列模式挖掘技術是數據挖掘技術中針對時態數據庫中不確定性信息的存儲、組織、挖掘和維護的問題的重要研究方法，特別是商業BI過程中，庫中潛存著大量的數據信息，這些數據主要以時態數據為主，因此利用數據挖掘技術綜合分析和處理時態數據是很有必要的，而序列模式挖掘技術則是數據挖掘應用的主要方法。利用該技術能夠在巨量數據中發現潛在有效的模式和用戶信息，并將這些模式應用于商業運營中。

1 不確定數據序列算法研究

2001年，Jian Pei提出了一種新的不確定數據序列算法[1]，其是基于傳統Apriori算法的傳遞閉包性質。并且其中GSP是水平挖掘方法。而在1996年，Srikant提出的挖掘方法[2]是垂直挖掘方法。一般來說，近幾年提出的基于傳統Apriori算法的傳遞閉包性質的方法的基本流程如下：（1）采用廣度優先搜索策略，生成候選模式集；（2）檢測候選模式集中每項模式是否為頻繁模式；（3）利用反單調性質剪枝策略對不可能成為頻繁模式的候選分支進行剪枝；（4）進行迭代。這類算法有一個嚴重缺陷，即有大量中間結果會在自連接操作生成候選集時產生。針對這個問題，Jian Pei提出利用深度優先搜索策略來改進。同樣，Jian Pei提出PrefixSpan方法是基于投影的模式擴展算法。因為采用的是遞歸方式，所以不會有大量中間候選集產生。2002年，Ayres[3]提出了SPAM算法，該算法更加有效，但是其有一個前置條件：全部數據都必須在內存中。

2 序列模式挖掘研究

序列模式挖掘是指從序列數據中尋找頻繁子序列作為模式的知識發現過程，在很多領域都有實際的應用價值。在不同領域中，采用序列模式挖掘技術，可以發現諸多藏在數據中的知識，進而輔助決策過程。而序列模式挖掘方法的深入理解，對于諸如頻繁子樹、網格、子圖等結構類模式的挖掘具有重要理論意義。一般而言，序列模式挖掘的執行過程是：（1）定義最小支持度閾值；（2）找出序列集合中所有滿足最小支持度閾值的序列集。

早期的序列模式挖掘研究是由Agrawal等人進行的，近幾年來，序列模式挖掘研究取得了長足的進步，有大量性能良好的算法被提出。這些算法可簡單分類為四種：（1）基于Apriori（Apriori-based）算法；（2）GSP算法；（3）基于投影（Projection-based）算法；（4）SPADE算法。

3 時間序列模式挖掘的研究

時間序列模式相似性匹配是時間序列數據挖掘的一個重要內容。時間序列來源于實際生活的各應用領域，其具有如下特點：（1） 頻繁的短期波動；（2）大量噪聲干擾；（3）非穩態。這些特點導致時間序列模式匹配異常艱難。時間序列模式相似匹配的基礎是相似性度量，而近幾年提出的時間序列索引技術可以有效提高查詢效率。

近幾年來，研究者們提出了很多時間序列分類算法，但這些算法主要是對相似性度量方法進行改進，其中，在2004年，Wai-Ho[4]在時間序列分類中引入了模糊規則，以對時間序列中的噪聲和模糊特性進行處理。

在對異常數據的處理過程中，通常做法是將其刪除，但在某些應用背景中，異常數據具有特定價值，比如電力系統運行異常，以及信用卡使用過程監測（可能是信用卡詐騙）等。近幾年，對時間序列異常，研究者們提出了不同的定義，但還未有一個公認的定義。異常挖掘有兩個研究方向：（1）如何定義異常數據；（2）如何挖掘異常數據。

時間序列模式挖掘的目的是挖掘出與時間有關的頻繁模式。目前被分為兩類：（1）關聯規則挖掘；（2）序列模式挖掘。1993年，Agrawal[5]提出關聯規則挖掘，挖掘給定數據集中數據項間有價值的聯系。其描述的是項集間的關聯。序列模式挖掘也由 Agrawal首先提出的，其描述的是交易間的關聯。

4 結論

時間序列的趨勢分析應用非常廣泛，但分析方法還局限于基于數學模型，當數據海量的時候，會給分析帶來很多不便，并且準確率也會下降，針對目前已提出的算法，希望可以在豐富趨勢挖掘的研究方法的同時，將時間序列數據挖掘的一些算法進一步引入，可以更好的延展趨勢分析方法。

參考文獻

[1]Jian Pei.Mining Sequential Patterns by Prefix-Projected Growth[C]//.Proc of the 17th International Conference on Data Engineering， Heidelberg， Germany，2001： 215-224.

[2] R.Srikant.Mining Sequential Patterns：Generalizations and Performance Improvements.Advances in Knowledge Discovery and Data Mining： 5th International Conference on Extending Database Technology，Avignon，France， 1996：3-17.

[3] J.Ayres.Sequential Pattern Mining Using a Bitmap Representation.Proc of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，Edmonton，Canada： 2002：429-435.

[4] Wai-Ho.Mining fuzzy rules for time series classification，Budapest，Hungary，2004：25-29.

[5] R Agrawal.Mining association rules between sets of items in large databases，Proceedings of the ACM SIGMOD Congerence on Management of Data，Washington，1993：207-216.endprint