시간 데이터 마이닝은 대규모 시간 데이터 집합에서 중요하지 않고 암시적이며 잠재적으로 필수적인 데이터를 추출하는 프로세스를 정의합니다. 시간 데이터는 일련의 기본 데이터 유형이며 일반적으로 숫자 값이며 시간 데이터에서 유익한 지식을 수집합니다.
시간적 데이터 마이닝의 목적은 시간적 시퀀스라고 하는 알파벳의 명목 기호 시퀀스와 연속적인 실수 시퀀스로 구성된 상위 시퀀스 데이터에서 시간적 패턴, 예상치 못한 경향 또는 여러 숨겨진 관계를 찾는 것입니다. 기계 학습, 통계 및 데이터베이스 기술의 일련의 접근 방식을 활용하여 시계열이라고 하는 가치 있는 구성 요소입니다.
시간적 데이터 마이닝은 시간적 데이터의 기술, 유사도 측정의 표현, 마이닝 서비스의 세 가지 주요 작업으로 구성됩니다.
임시 데이터 마이닝에는 여러 시점의 시퀀스에서 동일한 속성의 값을 계산하는 시계열, 일반적으로 데이터 시퀀스 처리가 포함됩니다. 특정 관심 패턴을 검색하는 이러한 정보를 이용한 패턴 매칭은 최근 들어 상당한 관심을 끌고 있습니다.
시간 데이터 마이닝에는 시간 데이터베이스에 대해 발전된 효율적인 데이터 저장, 빠른 처리 및 빠른 검색 방법의 활용이 포함될 수 있습니다.
시간 데이터 마이닝은 모델에서 시간 패턴을 계산하거나 모델에 맞추기도 하는 시간 데이터베이스에서 지식 발견 프로세스의 개별 단계이며, 시간 데이터는 시간 데이터 마이닝 알고리즘입니다.
시간 데이터 마이닝은 시간 데이터의 분석과 시간 정보 세트의 시간 패턴 및 일관성 발견과 관련이 있습니다. 또한 컴퓨터를 사용하여 데이터를 자동으로 탐색할 수 있습니다. 시간 마이닝에는 다음과 같은 다양한 작업이 있습니다. -
- 데이터 특성화 및 비교
- 클러스터링 분석
- 분류
- 협회 규칙
- 패턴 분석
- 예측 및 추세 분석
시간적 데이터 마이닝은 시간적 데이터베이스와 상호 작용하고 시간적 구조화된 쿼리 언어가 허용하는 것보다 훨씬 더 추상적인 수준에서 쿼리를 지정하는 새로운 방법으로 이어졌습니다. 또한 다중 및 다차원성으로 인한 문제에 대한 데이터 탐색 기능을 제공합니다.
시간 분류의 기본 목표는 다른 필드를 기반으로 시간 데이터베이스에서 시간적으로 관련된 필드를 예측하는 것입니다. 일반적으로 문제는 서로 다른 필드가 주어지면 예측되는 시간 변수의 일반 값, 각 관찰에 대해 대상 변수가 제공되는 교육 데이터, 문제에 대한 사전 지식을 나타내는 가정 집합을 결정하는 것으로 캐스팅됩니다. . 시간 분류 기술은 밀도 추정의 복잡한 문제와 관련이 있습니다.