Generalização de Mineração de Sequências Restritas no Espaço e no Tempo

• Antonio Castro Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Heraldo Borges Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Ricardo Campisano Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Esther Pacitti University of Montpellier
• Fabio Porto Laboratório Nacional de Computação Científica (LNCC)
• Rafaelli Coutinho Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) http://orcid.org/0000-0002-1735-1718
• Eduardo Ogasawara Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) http://orcid.org/0000-0002-0466-0626

DOI: https://doi.org/10.5753/sbbd.2021.17891

Resumo

Padrões espaço-temporais trazem conhecimento de sequências de eventos, local e momento em que ocorrem. Encontrar tais padrões é uma tarefa complexa e de grande valor para diferentes domínios. No entanto, nem todos os padrões são frequentes em todo um conjunto de dados, ocorrendo com frequência em espaço e tempo restritos. Este trabalho formaliza a Mineração de Sequências Restritas no Espaço e no Tempo, sem o uso de limiares de restrição para tempo e espaço. Isso permite que diferentes tamanhos de sequências, intervalos de tempo e espaço tridimensional apresentem tais padrões. Traz também validação com uma implementação testada sobre um conjunto de dados sísmico real. Tendo como resultado uma análise de sensibilidade e avaliação do uso de recursos que indicam a validade e viabilidade da solução.

Palavras-chave: Mineração de Padrões, Mineração de Sequências, Espaço-temporal

Referências

H. Alatrista-Salas, S. Bringay, F. Flouvat, N. Selmaoui-Folcher, and M. Teisseire (2016). Spatio-sequential patterns mining: Beyond the boundaries. Intelligent Data Analysis, 20(2):293–316.

R. Campisano, H. Borges, F. Porto, F. Perosi, E. Pacitti, F. Masseglia, and E. Ogasawara (2018). Discovering tight space-time sequences. In Lecture Notes in Computer Science, volume 11031 LNCS, pages 247–257.

C. Flamand, M. Fabregue, S. Bringay, V. Ardillon, P. Quénel, J.C. Desenclos, and M. Teisseire (2014). Mining local climate data to assess spatiotemporal dengue fever epidemic patterns in French Guiana. Journal of the American Medical Informatics Association, 21(e2):e232–240.

Y. Huang, L. Zhang, and P. Zhang (2008). A framework for mining sequential patterns from spatio-temporal event data sets. IEEE Transactions on Knowledge and Data Engineering, 20(4):433–448.

B. Koseoglu, E. Kaya, S. Balcisoy, and B. Bozkaya (2020). ST Sequence Miner: visualization and mining of spatio-temporal event sequences. Visual Computer, 36(10-12):2369–2381.

K. Li and Y. Fu (2014). Prediction of human activity by discovering temporal sequence patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(8):1644–1657.

B. Saleh and F. Masseglia (2008). Time aware mining of itemsets. In Proceedings of the International Workshop on Temporal Representation and Reasoning, pages 93–97.