DUGiDocsEfficient sequential and temporal pattern mining
dc.contributor.author
dc.date.accessioned
2021-12-13T08:28:57Z
dc.date.available
2022-10-28T05:46:32Z
dc.date.issued
2021-10-13
dc.identifier.uri
dc.description.abstract
The contributions of the present thesis are in the domain of Pattern Mining and Knowledge
Discovery, being of particular relevance for the sequential pattern mining and time-interval
related pattern mining fields. In this thesis, a new efficient sequential pattern mining algorithm called VEPRECO is
introduced, the contributions of which are: (i) a new representation, (ii) pre-pruning strategies
and (iii) candidate selection policies which reduce the number of iterations of the algorithm.
In this thesis, a new efficient algorithm for mining time interval patterns, called vertTIRP, has
also been presented, combining an efficient representation of these patterns with a pairing
strategy to accelerate the mining process.
And finally, to open the door of mining of time interval patterns to multivariate time series, the
TA4L algorithm has been introduced. TA4L transforms time series into interval-based
sequences suitable for feeding time interval algorithms
Les contribucions d'aquesta tesi estan en el domini de la mineria de patrons i el descobriment
del coneixement, sent de particular rellevància pels camps de mineria de patrons seqüencials i
els patrons d'intervals temporals.
En aquesta tesi, s'ha presentat un nou algoritme eficient de mineria de patrons seqüencials
anomenat VEPRECO, les contribucions del qual són: (i) una nova representació, (ii) unes
estratègies de prepoda i (iii) unes polítiques de selecció de candidats que redueixen el nombre
d'iteracions de l'algoritme.
En aquesta tesi, també s'ha presentat un nou algoritme eficient per minar patrons d'intervals
temporals, denominat vertTIRP, el qual combina una representació eficient d'aquests patrons
amb una estratègia d'aparellament per tal d’accelerar el procés de la mineria.
I finalment, per obrir la porta de la mineria de patrons d'intervals temporals a sèries temporals
multivariades, s'ha presentat l'algoritme TA4L. TA4L transforma sèries temporals en seqüències
d’intèrvals aptes per alimentar algoritmes d'intervals temporals
dc.format.extent
139 p.
dc.format.mimetype
application/pdf
dc.language.iso
eng
dc.publisher
Universitat de Girona
dc.rights
ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject.other
dc.title
Efficient sequential and temporal pattern mining
dc.type
info:eu-repo/semantics/doctoralThesis
dc.rights.accessRights
info:eu-repo/semantics/openAccess
dc.embargo.terms
2022-10-13T02:00:00ZT00:00:00Z
dc.date.embargoEndDate
info:eu-repo/date/embargoEnd/2022-10-13T02:00:00Z
dc.contributor.director
dc.subject.udc
dc.type.version
info:eu-repo/semantics/publishedVersion
dc.coverage.geolocation
east=2.8318806; north=41.9632134; name=UdG-eXiT research group
dc.description.degree
Programa de Doctorat en Tecnologia
Localització