TRUMiner: Mineração de Regras Temporais em Bases de Séries Multivariadas e Heterogêneas
Resumo
Este trabalho apresenta o algoritmo TRUMiner (Temporal RUles Miner) para mineração de regras temporais em séries multivariadas. A abordagem proposta permite o tratamento de séries temporais heterogêneas, com suporte a dados faltantes e séries com números de observações diferentes entre variáveis. Além disso, o TRUMiner retorna regras temporais detalhadas, que possibilitam referenciar as respectivas ocorrências nas séries originais. A avaliação experimental do algoritmo foi realizada em séries temporais multivariadas do comércio internacional provenientes de várias fontes. Os resultados iniciais mostram a aplicabilidade do TRUMiner a bases de séries heterogêneas, simplificando a tarefa de integração e pré-processamento dos dados.
Palavras-chave:
Mineração de Dados, Regras Temporais, Mineração de Séries Temporais, Séries Temporais Multivariadas
Referências
Agrawal, R., Imielinski, T., and Swami, A. (1993). Mining association rules between sets of items in large databases. SIGMOD Rec., 22(2):207-216.
Amaral, T. and Sousa, E. (2019). Trier: A fast and scalable method for mining temporal exception rules. In Anais do XXXIV SBBD, pages 1-12. SBC.
Chen, X. and Petrounias, I. (2000). Discovering temporal association rules: Algorithms, language and system. In 16th ICDE, pages 306-306. IEEE.
Das, G., Lin, K.-I., Mannila, H., Renganathan, G., and Smyth, P. (1998). Rule discovery from time series. In 4th ACM KDD, volume 98, pages 16-22.
de Oliveira, F. A., Costa, R. L., Goldschmidt, R. R., and Cavalcanti, M. C. (2017). Mineração de regras de associação multirrelação em grafos: Direcionando o processo de busca. In SBBD (Short Papers), pages 270-275.
Han, J., Kamber, M., and Pei, J. (2011). Data mining: Concepts and techniques. (3rd ed), Morgan Kauffman.
Harms, S. K. and Deogun, J. S. (2004). Sequential association rule mining with time lags. Journal of Intelligent Information Systems, 22(1):7-22.
Lin, J., Keogh, E., Lonardi, S., and Chiu, B. (2003). A symbolic representation of time series, with implications for streaming algorithms. In Proceedings of the 8th ACM SIGMOD, DMKD ’03, page 2-11, New York, NY, USA.
Romani, L. A. S., de Avila, A. M. H., Zullo, J., Chbeir, R., Traina, C., and Traina, A. J. M. (2010). Clearminer: a new algorithm for mining association patterns on heterogeneous time series from climate data. In ACM, SAC ’10, page 900-905, New York, NY, USA.
Segura-Delgado, A., Gacto, M. J., Alcalá, R., and Alcalá-Fdez, J. (2020). Temporal association rule mining: An overview considering the time variable as an integral or implied component. WIREs Data Mining and Knowledge Discovery, 10(4):e1367.
Zhao, Y. and Zhang, T. (2017). Discovery of temporal association rules in multivariate time series. In International Conference on Mathematics, Modelling and Simulation Technologies and Applications, 2017, Xiamen, pages 294-300.
Amaral, T. and Sousa, E. (2019). Trier: A fast and scalable method for mining temporal exception rules. In Anais do XXXIV SBBD, pages 1-12. SBC.
Chen, X. and Petrounias, I. (2000). Discovering temporal association rules: Algorithms, language and system. In 16th ICDE, pages 306-306. IEEE.
Das, G., Lin, K.-I., Mannila, H., Renganathan, G., and Smyth, P. (1998). Rule discovery from time series. In 4th ACM KDD, volume 98, pages 16-22.
de Oliveira, F. A., Costa, R. L., Goldschmidt, R. R., and Cavalcanti, M. C. (2017). Mineração de regras de associação multirrelação em grafos: Direcionando o processo de busca. In SBBD (Short Papers), pages 270-275.
Han, J., Kamber, M., and Pei, J. (2011). Data mining: Concepts and techniques. (3rd ed), Morgan Kauffman.
Harms, S. K. and Deogun, J. S. (2004). Sequential association rule mining with time lags. Journal of Intelligent Information Systems, 22(1):7-22.
Lin, J., Keogh, E., Lonardi, S., and Chiu, B. (2003). A symbolic representation of time series, with implications for streaming algorithms. In Proceedings of the 8th ACM SIGMOD, DMKD ’03, page 2-11, New York, NY, USA.
Romani, L. A. S., de Avila, A. M. H., Zullo, J., Chbeir, R., Traina, C., and Traina, A. J. M. (2010). Clearminer: a new algorithm for mining association patterns on heterogeneous time series from climate data. In ACM, SAC ’10, page 900-905, New York, NY, USA.
Segura-Delgado, A., Gacto, M. J., Alcalá, R., and Alcalá-Fdez, J. (2020). Temporal association rule mining: An overview considering the time variable as an integral or implied component. WIREs Data Mining and Knowledge Discovery, 10(4):e1367.
Zhao, Y. and Zhang, T. (2017). Discovery of temporal association rules in multivariate time series. In International Conference on Mathematics, Modelling and Simulation Technologies and Applications, 2017, Xiamen, pages 294-300.
Publicado
19/09/2022
Como Citar
KARASAWA, Eliane; SOUSA, Elaine P. M..
TRUMiner: Mineração de Regras Temporais em Bases de Séries Multivariadas e Heterogêneas. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 37. , 2022, Búzios.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 403-408.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2022.226199.
