nach oben

Erschienen in:

2018 | OriginalPaper | Buchkapitel

Knowledge-Based Mining of Exceptional Patterns in Logistics Data: Approaches and Experiences in an Industry 4.0 Context

verfasst von : Eric Sternberg, Martin Atzmueller

Erschienen in: Foundations of Intelligent Systems

Verlag: Springer International Publishing

Einloggen

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

search-config

KI-gestützte Suche

Aus

Abstract

In the context of Industry 4.0 and smart production, industrial large-scale enterprise data is applied for enabling data-driven analysis and modeling methods. However, the majority of the currently applied approaches consider the data in isolated fashion such that data from different sources, e.g., from large data warehouses are only considered independently. Furthermore, connections and relations between those data, i.e., relating to semantic dependencies are typically not considered, while these would open up integrated semantic approaches for effective data mining methods. This paper tackles these issues and demonstrates approaches and experiences in the context of a real-world case study in the industrial logistics domain: We propose knowledge-based data analysis applying subgroup discovery for identifying exceptional patterns in a semantic approach using appropriately constructed knowledge graphs.

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 Clones in Graphs

Nächstes Kapitel An Intra-algorithm Comparison Study of Complete Search FSM Implementations in Centralized Graph Transaction Databases

Agrawal, R., Srikant, R.: Fast algorithms for mining association rules. In: Proceedings of VLDB, pp. 487–499. Morgan Kaufmann (1994)

Atzmueller, M.: Data mining on social interaction networks. JDMDH 29, 1–21 (2014)

Atzmueller, M.: Subgroup discovery. WIREs DMKD 5(1), 35–49 (2015)

Atzmueller, M., Baumeister, J., Puppe, F.: Introspective subgroup analysis for interactive knowledge refinement. In: Proceedings of FLAIRS, pp. 402–407. AAAI (2006)

Atzmueller, M., et al.: Big data analytics for proactive industrial decision support: approaches & first experiences in the context of the FEE project. ATP Ed. 58(9), 62–74 (2016)CrossRef

Atzmueller, M., Lemmerich, F.: VIKAMINE – open-source subgroup discovery, pattern mining, and analytics. In: Flach, P.A., De Bie, T., Cristianini, N. (eds.) ECML PKDD 2012. LNCS (LNAI), vol. 7524, pp. 842–845. Springer, Heidelberg (2012). https://doi.org/10.1007/978-3-642-33486-3_60CrossRef

Atzmueller, M., Puppe, F.: Semi-automatic visual subgroup mining using VIKAMINE. J. Univers. Comput. Sci. 11(11), 1752–1765 (2005)

Atzmueller, M., Puppe, F., Buscher, H.P.: Exploiting background knowledge for knowledge-intensive subgroup discovery. In: Proceedings of IJCAI, pp. 647–652 (2005)

Atzmueller, M., Sternberg, E.: Mixed-initiative feature engineering using knowledge graphs. In: Proceedings of K-CAP. ACM (2017)

10.

Bastian, M., Heymann, S., Jacomy, M.: Gephi: an open source software for exploring and manipulating networks (2009)

11.

Chapman, P., et al.: CRISP-DM 1.0. CRISP-DM consortium (2000)

12.

Duch, W., Grudzinski, K.: Prototype based rules - a new way to understand the data. In: Proceedings of IJCNN, vol. 3, pp. 1858–1863. IEEE (2001)

13.

Duivesteijn, W., Feelders, A.J., Knobbe, A.: Exceptional model mining. Data Min. Knowl. Disc. 30(1), 47–98 (2016)MathSciNetCrossRef

14.

Givehchi, O., Trsek, H., Jasperneite, J.: Cloud computing for industrial automation systems - a comprehensive overview. In: Proceedings of EFTA, pp. 1–4. IEEE (2013)

15.

Hollender, M.: Collaborative Process Automation Systems. ISA (2010)

16.

Kanawati, R.: Multiplex network mining: a brief survey. IEEE Intell. Inform. Bull. 16(1), 24–27 (2015)MathSciNet

17.

Laboratoire d’Informatique, du Traitement de l’Information et des Systmes (LITIS): Graphstream project. http://graphstream-project.org

18.

Lemmerich, F., Atzmueller, M., Puppe, F.: Fast exhaustive subgroup discovery with numerical target concepts. DMKD 30, 711–762 (2016)MathSciNet

19.

Lemmerich, F., Becker, M., Atzmueller, M.: Generic pattern trees for exhaustive exceptional model mining. In: Flach, P.A., De Bie, T., Cristianini, N. (eds.) ECML PKDD 2012. LNCS (LNAI), vol. 7524, pp. 277–292. Springer, Heidelberg (2012). https://doi.org/10.1007/978-3-642-33486-3_18CrossRef

20.

Rauch, J., Šimůnek, M.: Learning association rules from data through domain knowledge and automation. In: Bikakis, A., Fodor, P., Roman, D. (eds.) RuleML 2014. LNCS, vol. 8620, pp. 266–280. Springer, Cham (2014). https://doi.org/10.1007/978-3-319-09870-8_20CrossRef

21.

Ristoski, P., Paulheim, H.: Semantic web in data mining and knowledge discovery: a comprehensive survey. Web Semant. 36, 1–22 (2016)CrossRef

22.

Rushton, A., Croucher, P., Baker, P.: The Handbook of Logistics and Distribution Management: Understanding the Supply Chain. Kogan Page Publishers (2014)

23.

Vavpetic, A., Podpecan, V., Lavrac, N.: Semantic subgroup explanations. J. Intell. Inf. Syst. 42(2), 233–254 (2014)CrossRef

24.

Wilcke, X., Bloem, P., de Boer, V.: The knowledge graph as the default data model for learning on heterogeneous knowledge. Data Sci. 1, 1–19 (2017)

25.

Wrobel, S.: An algorithm for multi-relational discovery of subgroups. In: Komorowski, J., Zytkow, J. (eds.) PKDD 1997. LNCS, vol. 1263, pp. 78–87. Springer, Heidelberg (1997). https://doi.org/10.1007/3-540-63223-9_108CrossRef

Titel: Knowledge-Based Mining of Exceptional Patterns in Logistics Data: Approaches and Experiences in an Industry 4.0 Context
verfasst von: Eric Sternberg
Martin Atzmueller
Verlag: Springer International Publishing
Buch: Foundations of Intelligent Systems
Print ISBN: 978-3-030-01850-4

Electronic ISBN: 978-3-030-01851-1

Copyright-Jahr: 2018
DOI: https://doi.org/10.1007/978-3-030-01851-1_7

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

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

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"