Temporale Aspekte des Data Mining - diko-project.de

4 Temporale Muster 104.1 Sequentielle Muster . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114.1.1 Häufigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124.1.2 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124.2 Zeitliche Assoziationsregeln . . . . . . . . . . . . . . . . . . . . . . . 124.2.1 Länge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134.2.2 Unterstützung . . . . . . . . . . . . . . . . . . . . . . . . . . 134.2.3 Stabilität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134.2.4 Dichte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144.2.5 Praktische Beispiele . . . . . . . . . . . . . . . . . . . . . . . 144.3 Kalendarische Muster . . . . . . . . . . . . . . . . . . . . . . . . . . 144.4 Intervall-basierende Ereignisse . . . . . . . . . . . . . . . . . . . . . . 154.5 Trends . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174.6 Unusual Movements . . . . . . . . . . . . . . . . . . . . . . . . . . . 184.6.1 Isolated Outliners . . . . . . . . . . . . . . . . . . . . . . . . 184.6.2 Level Shift . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185 Temporale Datenanalyse 195.1 Klassifizierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.1.1 Verschmelzung . . . . . . . . . . . . . . . . . . . . . . . . . . 195.1.2 Weitere Ansätze . . . . . . . . . . . . . . . . . . . . . . . . . 195.2 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.3 Analyse sequentieller Muster . . . . . . . . . . . . . . . . . . . . . . 205.3.1 GSP-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . 205.3.2 SPADE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225.4 Analyse zeitlicher Assoziationsregeln . . . . . . . . . . . . . . . . . . 246 Ausblick 257 Schlussbetrachtung 261 EinleitungMotivationIn der Praxis ist es oftmals erforderlich, dass zu einem bestimmten Objekt nichtnur eine Menge an Informationen verfügbar, sondern auch ein zeitlicher Zusammenhangvon großer Bedeutung ist. Dazu gehört beispielsweise die Änderungen der zueinem Objekt bereitgehaltenen Informationen. Aber auch die Gültigkeit eines Objektesbzw. spezieller Objektdaten ist oftmals von Interesse. Letztendlich bringt dieErweiterung um temporale Aspekte auch die Option, Operationen auf den Datennachzuvollziehen und ggf. beliebig weit rückgängig zu machen.Data Mining ist ein Verfahren, das es ermöglicht wiederkehrende Muster, aber auchUnregelmäßigkeiten, wie z.B. Ausreißer in großen und sehr großen Datenbeständenaufzufinden.Das Verwenden temporaler Aspekte bedeutet eine Erweiterung des ”Knowledge Discovery“.Als Knowledge Discovery wird der Prozess verstanden mit dem Muster inDatenbanken gefunden werden, Data Mining stellt einen Schritt in diesem Prozessdar [FPSS96]. In der Erweiterung des Data Mining begründet sich auch die Motivationzu dieser Ausarbeitung: Es soll deutlich gemacht werden, welche Möglichkeiten,aber auch welche Grenzen die temporale Dimensionen in diesem Umfeld bieten.VorgehensweiseIm Anschluss an diese Einleitung finden sich im zweiten Kapitel die Grundlagen des2