A novel associative model for time series data mining

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.