数据流频繁模式挖掘及预测技术研究

版权 1
书名 2
版本 3
前言 4
符 号 7
1 绪论 9
1.1 数据流产生背景 9
1.2 数据流的特点 10
1.3 数据流管理系统现状 11
1.4 数据流挖掘技术现状 13
1.4.1 数据流聚类技术现状 13
1.4.2 数据流分类技术现状 15
1.4.3 数据流频繁模式挖掘技术现状 16
1.4.4 流数据预测查询技术现状 18
1.5 数据流研究的意义 18
2 数据流处理技术 21
2.1 数据流处理模型 21
2.2 数据流挖掘算法特点 23
2.3 常用数据流处理技术 23
2.3.1 抽样（Sampling） 24
2.3.2 小波方法（Wavelet） 25
2.3.3 梗概（Sketching） 26
2.3.4 直方图（Histogram） 28
2.2.5 概率统计（Probabilistic） 29
2.4 数据流时间窗口模型 30
2.4.1 快照式窗口（Snapshot Window） 30
2.4.2 界标式窗口（Landmark Window） 30
2.4.3 滑动式窗口（Sliding Window） 31
2.4.4 时间衰退（Damped Windows）模型 31
2.5 频繁模式挖掘方法 31
2.5.1 经典的静态集合的频繁模式挖掘方法 31
2.5.2 数据流频繁模式挖掘算法 33
2.6 滑动时间窗口频繁模式挖掘 34
2.6.1 主要挑战 34
2.6.2 基本概念 34
2.7 小结 36
3 基于保守策略的频繁模式挖掘算法 37
3.1 引言 37
3.2 保守的频繁模式挖掘策略分析 39
3.2.1 流数据窗口 39
3.2.2 支持度计算策略 40
3.3 保守的频繁模式挖掘策略设计 41
3.3.1 RFP-tree结构设计 42
3.3.2 增量更新RFP-tree 43
3.3.3 RFP-tree树剪枝 44
3.3.4 频繁模式输出 50
3.4 实验分析 51
3.4.1 实验环境 51
3.4.2 基本性能分析 51
3.4.3 性能比较分析 53
3.5 小结 55
4 基于衰减机制的频繁模式挖掘算法 56
4.1 引言 56
4.2 基于衰减策略的频繁模式挖掘算法分析 57
4.2.1 时间衰减模型 57
4.2.2 模型正确性分析 58
4.3 基于衰减策略的频繁模式挖掘算法设计 63
4.3.1 SW-tree结构设计 63
4.3.2 增量更新SW-tree 66
4.3.3 SW-tree剪枝 67
4.3.4 频繁模式输出 69
4.4 实验分析 71
4.4.1 实验环境 71
4.4.2 基本性能分析 72
4.4.3 性能比较分析 77
4.5 小结 80
5 Top-K频繁模式挖掘算法 82
5.1 引言 82
5.2 Top-K频繁模式挖掘算法分析 84
5.2.1 问题描述与思路 84
5.2.2 Chernoff边界理论 85
5.2.4 Top-K频繁模式挖掘 87
5.2.4 动态选择Supk 90
5.3 Top-K频繁模式挖掘算法设计 90
5.3.1 SWTP-tree结构设计 90
5.3.2 动态维护SWTP-tree 94
5.3.3 Top-K频繁模式输出 99
5.4 实验分析 101
5.4.1 实验环境 101
5.4.2 性能对比分析 102
5.5 小结 109
6 基于马尔可夫模型的预测查询算法 110
6.1 引言 110
6.2 马尔科夫预测模型设计与分析 111
6.2.1 模型设计 112
6.2.2 模型分析 114
6.3 基于马尔可夫模型的预测算法设计 116
6.3.1 动态构建SSTD 117
6.3.2 数据预处理 118
6.3.3 基于马尔可夫模型的数据预测 121
6.4 实验分析 126
6.4.1 实验环境 126
6.4.2 基本性能分析 127
6.4.3 性能对比分析 132
6.5 小结 134
7 总结与展望 135
7.1 本书总结 135
7.2 研究展望 137
主要参考文献 138 1 (p1): 符 号
3 (p2): 1 绪论
3 (p2-1): 1.1 数据流产生背景
4 (p2-2): 1.2 数据流的特点
5 (p2-3): 1.3 数据流管理系统现状
7 (p2-4): 1.4 数据流挖掘技术现状
7 (p2-4-1): 1.4.1 数据流聚类技术现状
9 (p2-4-2): 1.4.2 数据流分类技术现状
10 (p2-4-3): 1.4.3 数据流频繁模式挖掘技术现状
12 (p2-4-4): 1.4.4 流数据预测查询技术现状
15 (p3): 2 数据流处理技术
15 (p3-1): 2.1…