Algorithms and Measures in Sequence Data Mining - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2012

Algorithms and Measures in Sequence Data Mining

Algorithmes et mesures dans l'exploration de données séquentielles

Résumé

The increasing amount of information makes sequential data mining an important domain of research. A vast number of data mining models and approaches have been developed in order to extract interesting and useful patterns of data. Most models are used for strategic purposes resulting in using of the time parameter. However, the extensive field of data mining applications requires new models to be introduced. The current thesis proposed models for temporal sequential data mining having as a goal the forecasting process. We focus our study on sequential temporal database analysis and on time-series data. In sequential database analysis we propose several interestingness measures for rules selection and patterns extraction. Their goal is to advantage those rules/patterns whose time-distance between the itemsets is small. The extracted information is used to predict user¿s future requests in a web log database, obtaining a higher performance in comparison to other compared models. In time-series analysis we propose a forecasting model based on Neural Networks, Genetic Algorithms, and Wavelet Transform. We apply it on a WiMAX network traffic and EUR/USD currency exchange data in order to compare its prediction performance with those obtained using other existing models. Different ways of changing parameters adapted to a given situation and the corresponding simulations are presented. It was shown that the proposed model outperforms the existing ones from the prediction point of view on the used time-series. As a whole, this thesis proposes forecasting models for different types of temporal sequential data with different characteristics and behaviour.
La quantité croissante d'information rend l'exploration de données séquentielles un domaine important de la recherche. Un grand nombre de modèles d'exploration de données et d'approches ont été développés afin d'extraire des patterns intéressants et utiles de données. La plupart des modèles sont utilisés avec des objectifs stratégiques résultant en l'utilisation du paramètre de temps. Cependant, le vaste champ d'applications de data mining nécessite l'introduction de nouveaux modèles. La thèse en cours propose des modèles pour l'exploration de données temporelle séquentielle ayant comme objectif le processus de prévision. Notre étude se concentre sur l'analyse de base de données séquentielles et temporelles et de données time-series. Dans l'analyse de base de données séquentielles, nous proposons plusieurs mesures d'intérêt pour la sélection des règles et l'extraction des patterns. Leur but est de mettre en valeur ces règles / patterns dont la distance-temps entre les itemsets est petit. L'information extraite est utilisée pour prédire les futures demandes des utilisateurs dans une base de données web log, l'obtention d'un rendement plus élevé en comparaison avec d'autres modèles. En ce qui concerne l'analyse des séries temporelles, nous proposons un modèle de prévision basé sur les réseaux de neurones, algorithmes génétiques, et la transformée en ondelettes. Nous l'appliquons sur un trafic réseau WiMAX et de données de change EUR/USD afin de comparer ses performances de prédiction à celles obtenues avec d'autres modèles existants. Différentes façons de modification des paramètres adaptés à une situation donnée et les simulations correspondantes sont présentées. Nous avons montré que le modèle proposé surpasse ceux déjà existants du point de vue de la prédiction sur les time-series que nous avons utilisées. Dans son ensemble, cette thèse propose des modèles de prévision pour différents types de données séquentielles et temporelles avec des caractéristiques et des comportements différents.
Fichier principal
Vignette du fichier
2012telb0239_Railean_Ion.pdf (53.82 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-00808168 , version 1 (05-04-2013)

Identifiants

  • HAL Id : tel-00808168 , version 1

Citer

Ion Railean. Algorithms and Measures in Sequence Data Mining. Artificial Intelligence [cs.AI]. Télécom Bretagne, Université de Bretagne Occidentale, 2012. English. ⟨NNT : ⟩. ⟨tel-00808168⟩
341 Consultations
613 Téléchargements

Partager

Gmail Facebook X LinkedIn More