文献类型：期刊文章

作　　者：李海林[1,2] 龙芳菊[1]

LI Hailin;LONG Fangju(Department of Information Systems,Huaqiao University,Quanzhou 362021,China;Research Center of Applied Statistics and Big Data,Huaqiao University,Xiamen 361021,China)

机构地区：[1]华侨大学信息管理系,福建泉州362021 [2]华侨大学现代应用统计与大数据研究中心,福建厦门361021

出　　处：《智能系统学报》

基　　金：国家自然科学基金项目(71771094,61300139);福建省自然科学基金项目(2019J01067);福建省社会科学规划一般项目(FJ2020B088).

年　　份：2021

卷　　号：16

期　　号：3

起止页码：502-510

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对经典算法Apriori和频繁模式增长算法(frequent pattern growth, FP-growth)不能直接对时间序列数据进行关联规则挖掘的问题,提出一种同步频繁树算法(synchronize frequent tree, SFT)。利用时间序列的时间属性具有一维性的特点,定义趋势项-位置表示法表示时间序列数据,将首条时间序列构建成一棵基础树,通过计算树叶子节点与列表项的信息交集,可判断其是否与该树枝中的所有节点构成频繁K项集。在SFT算法中,用趋势项-位置表示的数据内存占用情况要优于原始数据,并且在挖掘过程中不会产生候选频繁项集,使得算法在整个挖掘过程中表现出较好的时间性能。基于商品数据和股票数据的数值实验表明,SFT算法所得结果不仅与其他5种对比算法的结果一致,在各量级的数据和不同的支持度计数中,其时间复杂度都要优于对比算法。

关 键 词：时间序列 线性分段  趋势项-位置  事务集表示  频繁项集 同步频繁树  关联规则 时间效率  

分 类 号：TP311.13]