Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Proposed Artificial Neural Network (ANN) Model Using Geophone Sensors to Detect Elephants Near the Railway Tracks Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

An Incremental Algorithm for Mining Closed Frequent Intervals

verfasst von : Irani Hazarika, Anjana Kakoti Mahanta

Erschienen in: Advanced Computational and Communication Paradigms

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Interval data are found in many real-life situations involving attributes like distance, time, etc. Mining closed frequent intervals from such data may provide useful information. Previous methods for finding closed frequent intervals assume that the data is static. In practice, the data in a dynamic database changes over time, with intervals being added and deleted continuously. In this paper, we propose an incremental method to mine frequent intervals from an interval database with n records, where each record represents one interval. This method assumes that intervals are added one by one into the database and each time an interval is added to the database, our proposed method will mine all the newly generated closed frequent intervals in O(n) time.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Preprocessing of Skin Cancer Using Anisotropic Diffusion and Sigmoid Function
Nächstes Kapitel Crime Pattern Analysis by Identifying Named Entities and Relation Among Entities
Literatur
1.
Allen, J.F.: Maintaining knowledge about temporal intervals. Commun. ACM 26(11), 832–843 (1983)CrossRef
2.
Lin, J.L.: Mining maximal frequent intervals. In: Proceedings of ACM Symposium on Applied Computing, New York, USA, pp. 426–431 (2000)
3.
Dutta, M.: Development of efficient algorithm for some problems in interval data mining. Ph.D. thesis, Department of Computer Science, Gauhati University, India (2012)
4.
Sarmah, N.J., Mahanta, A.K.: An incremental approach for mining all closed intervals from an interval database. In: IEEE International Advance Computing Conference (IACC), pp. 529–532 (2014)
5.
Mahanta, A.K., Dutta, M.: Mining closed frequent intervals from interval data. Int. J. Appl. Sci. Adv. Technol. 1(1), 1–3 (2012)
6.
Sarma, N.J.: Study and design of algorithms for certain problems in interval data mining. Ph.D. thesis, Department of Computer Science, Gauhati University, India (2016)
7.
De Souza, R.M.C.R., De Carvalho, F.D.A.T.: Clustering of interval data based on city–block distances. Pattern Recogn. Lett. 25, 353–365 (2004)CrossRef
8.
Gowda, K.C., Diday, E.: Symbolic clustering using a new dissimilarity measure. Pattern Recogn. 24(6), 567–578 (1991)CrossRef
9.
Ichino, M., Yaguchi, H.: Generalized Minkowski metrics for mixed feature-type data analysis. IEEE Trans. Syst. Man Cybern. 24, 698–708 (1994)MathSciNetCrossRef
10.
Roh, J.W., Yi, B.K.: Efficient indexing of interval time sequences. Inf. Process. Lett. 109(1), 1–12 (2008)MathSciNetCrossRef
11.
Sarmah, N.J., Mahanta, A.K.: An efficient algorithm for mining maximal sparse interval from interval dataset. Int. J. Comput. Appl. 107(16), 28–32 (2014)
Metadaten
Titel
An Incremental Algorithm for Mining Closed Frequent Intervals
verfasst von
Irani Hazarika
Anjana Kakoti Mahanta
Copyright-Jahr
2018
Verlag
Springer Singapore
Buch
Advanced Computational and Communication Paradigms

Print ISBN: 978-981-10-8236-8

Electronic ISBN: 978-981-10-8237-5

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-981-10-8237-5_7

Neuer Inhalt

    Bildnachweise