The KIPS Transactions:PartD (정보처리학회논문지D)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Finding Association Rules based on the Significant Rare Relation of Events with Time Attribute

시간 속성을 갖는 이벤트의 의미있는 희소 관계에 기반한 연관 규칙 탐사

  • 한대영 (전남대학교 전자컴퓨터공학부) ;
  • 김대인 (전남대학교 전자컴퓨터공학부) ;
  • 김재인 (전남대학교 전자컴퓨터공학부) ;
  • 송명진 (전남대학교 전자컴퓨터공학부) ;
  • 황부현 (전남대학교 전자컴퓨터공학부)
  • Published : 2009.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

An event means a flow which has a time attribute such as the a symptom of patients, an interval event has the time period between the start-time-point and the end-time-point. Although there are many studies for temporal data mining, they do not deal with discovering knowledge from interval event such as patient histories and purchase histories. In this paper, we suggest a method of temporal data mining that finds association rules of event causal relationships and predicts an occurrence of effect event based on discovered rules. Our method can predict the occurrence of an event by summarizing an interval event using the time attribute of an event and finding the causal relationship of event. As a result of simulation, this method can discover better knowledge than others by considering a lot of supports of an event and finding the significant rare relation on interval events which means an essential cause of an event, regardless of an occurrence support of an event in comparison with conventional data mining techniques.

이벤트는 환자의 증상과 같이 시간 속성을 갖는 하나의 흐름을 의미하며 인터벌 이벤트는 시작과 종료 시점에 대한 시간 간격을 갖는다. 그리고 시간 데이터마이닝에 대한 많은 연구가 있었지만 환자 이력, 구매자 이력, 로그 이력과 같은 인터벌 이벤트에 대한 지식 탐사 방법에 대한 연구는 미흡하다. 이 논문에서는 이벤트들의 인과 관계에 대한 연관 규칙을 탐사하고 이 규칙에 기반하여 결과 이벤트 발생을 예측하는 시간 데이터마이닝 방법을 제안한다. 제안 방법은 이벤트 시간 속성을 사용하여 인터벌 이벤트로 요약하고 이벤트들의 인과 관계를 탐사하여 이벤트 발생을 예측한다. 성능평가를 통하여 제안 방법은 다양한 지지도를 적용하여 발생 빈도에 상관없이 이벤트 발생에 높은 영향을 주는 의미있는 희소 관계를 발견함으로써 기존의 데이터마이닝 기법에 비하여 보다 우수한 정보를 탐사할 수 있다.

Keywords

References

  1. S. Laxman, P. S. Sastry, and K. Unnikrishnan, "Discovering Frequent Episodes and Learning Hidden Markov Models: a Formal Connection," IEEE Transactions on Knowledge and Data Engineering, Vol.17, No.11, pp.1505-1517, Jan., 2006. https://doi.org/10.1109/TKDE.2005.181
  2. S. Laxman, P. S. Sastry, and K. Unnikrishnan, "Discovering Frequent Generalized Episodes when Events Persist for Different Durations," IEEE Transactions on Knowledge and Data Engineering, Vol.19, No.9, pp.1188-1201, Sep., 2007. https://doi.org/10.1109/TKDE.2007.1055
  3. J. F. Roddick, K. Hornsby, and M. Spiliopoulou, "Temporal, Spatial and Spatio-Temporal Data Mining Knowledge Discovery Research Bibliography," http://www.cs.flinders. edu.au, Sep., 2001.
  4. E. Winarko, and J. F. Roddick, "ARMADA - An Algorithm for Discovering Richer Relative Temporal Association Rules from Interval-based Data," Journal of Data and Knowledge Engineering Vol.63, pp.76-90, Oct., 2007. https://doi.org/10.1016/j.datak.2006.10.009
  5. Y. Lee, J. Lee, D. Chai, B. Hwang, and K. Ryu, "Mining Temporal Interval Relation Rules from Temporal Data," Journal of Systems and Software, Vol.82, pp.155-167, 2009. https://doi.org/10.1016/j.jss.2008.07.037
  6. H. Zhu, and Z. Xu, "An Effective Algorithm for Mining Positive and Negative Association Rules," Proc. of International Conference on Computer Science and Software Engineering, pp.455-458, Dec. 2008. https://doi.org/10.1109/CSSE.2008.1199
  7. H. Yun, D. Ha, B. Hwang, and K. Ryu, "Mining Association Rules on Significant Rare Data Using Relative Support," Journal of Systems and Software, Vol.67, pp.181-191, 2003. https://doi.org/10.1016/S0164-1212(02)00128-0
  8. R. J. Swargam, M. J. Palakal, "The Role of Least Frequent Item Sets in Association Discovery," Proc. of ICDIM '07. 2nd International Conference, Vol.1, pp.217-223, Oct., 2007. https://doi.org/10.1109/ICDIM.2007.4444226
  9. J. Chung, O. Paek, J. Lee, and K. Ryu, "Temporal Pattern Mining of Moving Objects for Location-Based Service," Proc. of International Conference on Database and Expert Systems Applications Vol.2453, pp.331-340, 2002. https://doi.org/10.1007/3-540-46146-9_33
  10. E. Keogh, J. Lin, S. Lee, and H. V. Herle, "Finding the Most Unusual Time Series Subsequences: Algorithms and Applications," Journal of Knowledge and Information Systems Vol.11, No.1, pp.1-27, Dec., 2006. https://doi.org/10.1007/s10115-006-0034-6
  11. B. Ozden, S. Ramaswamy, and A. Silberschatz, "Cycle Association Rules," Proc. of International Conference on Data Engineering Orlando, USA, 1998.
  12. S. Ramaswamy, S. Mahajan, and A. Silberschatz, "On the Discovery of Interesting Patterns in Association Rules," Proc. of 24th VLDB Conference New York, USA, pp.368-379, 1998.