کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6941376 | 870256 | 2014 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A novel associative model for time series data mining
ترجمه فارسی عنوان
یک مدل وابسته جدید برای داده کاوی سری زمانی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ترجمه چکیده
در این مقاله یک مدل همبستگی جدید برای داده کاوی سری زمانی توصیف می شود. این مدل بر اساس طبقه بندی گاما است که بر پایه خاطرات وابسته آلفا بتا است که هر دو مدل تشخیص الگو تحت نظارت هستند. هدف این است که الگوهای شناخته شده در سری زمانی را برای پیش بینی مقادیر ناشناخته با ویژگی مشخصی که مقادیر ناشناخته ممکن است نسبت به آینده یا گذشته از نمونه های شناخته شده باشد، شناسایی کنیم. عملکرد مدل پیشنهادی هر دو براساس معیارهای پیش بینی سری و مجموعه داده ای از تولید ماهانه نفت مورد آزمایش قرار می گیرد. برخی از ویژگی های مورد توجه در مجموعه داده های تجربی عبارتند از سنبله ها، تغییرات ناگهانی و اختلالات مکرر، که به طور قابل توجهی دقت روش های پیش بینی سنتی را کاهش می دهد. همانطور که نتایج تجربی نشان می دهد، این پیش بینی کننده مبتنی بر طبقه بندی، عملکرد رقابتی را نشان می دهد. مزایا و محدودیت های مدل، و همچنین خطوط بهبود، مورد بحث قرار گرفته است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
The paper describes a novel associative model for time series data mining. The model is based on the Gamma classifier, which is inspired on the Alpha-Beta associative memories, which are both supervised pattern recognition models. The objective is to mine known patterns in the time series in order to forecast unknown values, with the distinctive characteristic that said unknown values may be towards the future or the past of known samples. The proposed model performance is tested both on time series forecasting benchmarks and a data set of oil monthly production. Some features of interest in the experimental data sets are spikes, abrupt changes and frequent discontinuities, which considerably decrease the precision of traditional forecasting methods. As experimental results show, this classifier-based predictor exhibits competitive performance. The advantages and limitations of the model, as well as lines of improvement, are discussed.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 41, 1 May 2014, Pages 23-33
Journal: Pattern Recognition Letters - Volume 41, 1 May 2014, Pages 23-33
نویسندگان
Itzamá López-Yáñez, Leonid Sheremetov, Cornelio Yáñez-Márquez,