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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
User Identification of Keystroke Biometric Patterns with the Cognitive RAM Weightless Neural Net Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

IncSPADE: An Incremental Sequential Pattern Mining Algorithm Based on SPADE Property

verfasst von : Omer Adam, Zailani Abdullah, Amir Ngah, Kasypi Mokhtar, Wan Muhamad Amir Wan Ahmad, Tutut Herawan, Noraziah Ahmad, Mustafa Mat Deris, Abdul Razak Hamdan, Jemal H. Abawajy

Erschienen in: Advances in Machine Learning and Signal Processing

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In this paper we propose Incremental Sequential PAttern Discovery using Equivalence classes (IncSPADE) algorithm to mine the dynamic database without the requirement of re-scanning the database again. In order to evaluate this algorithm, we conducted the experiments against three different artificial datasets. The result shows that IncSPADE outperformed the benchmarked algorithm called SPADE up to 20%.

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 Taguchi-based Parameter Setting of Cuckoo Search Algorithm for Capacitated Vehicle Routing Problem
Nächstes Kapitel Choosing Geometric Dissimilarity Measure for Content Based Coral Reefs Image Retrieval
Literatur
1.
Kumar V, Anupama C (2012) Mining association rules in student’s assessment data. Int J Comput Sci Issues 9(5):211–216
2.
Vishal SM (2014) A survey on sequential pattern mining algorithm. Int J Comput Sci Inf Technol 5(2):2486–2492MathSciNet
3.
Agrawal R, Ramakrishnan S (1995) Mining sequential patterns. In: Proceedings of the 11th international conference on data engineering, pp 3–14
4.
Pei J, Han J, Mortazavi-Asl B, Pinto H, Chen Q, Dayal U, Hsu MC (2001) Prefixspan: mining sequential patterns efficiently by prefix-projected pattern growth. In: Proceeding of 17th international conference on data engineering
5.
Hong C, Yan X, Han J (2004) IncSpan: incremental mining of sequential patterns in large database. In: Proceedings of the 10th ACM SIGKDD international conference on knowledge discovery and data mining, pp 527–532
6.
Han J, Dong G, Mortazavi-Asl B, Chen Q, Dayal U, Hsu M-C (2000) FreeSpan: frequent pattern-projected sequential pattern mining. In: Proceedings of the 6th ACM SIGKDD international conference on knowledge discovery and data mining, pp 355–359
7.
Srikant R, Agrawal R (1996) Mining sequential patterns: generalizations and performance improvements. Adv Database Technol LNCS 1057:1–17
8.
Zaki M (2001) SPADE: an efficient algorithm for mining frequent sequences. Mach Learn 42:31–60CrossRefMATH
9.
Jay A, Gehrke J, Yiu T, Flannick J (2002) Sequential pattern mining using a bitmap representation. In: Proceedings of the 8th ACM SIGKDD international conference on knowledge discovery and data mining, pp 429–435
10.
Fournier-Viger P, Gomariz A, Campos M, Thomas R (2014) Fast vertical mining of sequential patterns using co-occurrence information. LNAI 8443:40–52
11.
Parthasarathy S, Zaki MJ, Ogihara M, Dwarkadas S (2002) Sequence mining in dynamic and interactive environments. Knowl Discov Bus Inf Syst 600:377–396CrossRef
12.
Lin MY, Lee SY (2004) Incremental update on sequential patterns in large databases by implicit merging and efficient counting. Inf Syst 29(5):385–404MathSciNetCrossRef
13.
Gupta M, Han J (2012) Approaches for pattern discovery using sequential data mining. Pattern discovery using sequence data mining: applications and studies, pp 137–154
14.
Ezeife CI, Liu Y (2009) Fast incremental mining of web sequential patterns with PLWAP tree. Data Min Knowl Discov 19(3):376–416MathSciNetCrossRef
15.
Ezeife CI, Chen M (2004) Incremental mining of web sequential patterns using PLWAP tree on tolerance MinSupport. In: Proceeding of international database engineering and applications symposium, 2004, pp 465–469
16.
Florent M, Poncelet P, Teisseire M (2003) Incremental mining of sequential patterns in large databases. Data Knowl Eng 46(1):97–121CrossRef
17.
18.
Leleu M et al (2003) GO-SPADE: mining sequential patterns over datasets with consecutive repetitions. LNAI 2734:293–306MATH
19.
Mooney CH, John F (2013) Sequential pattern mining approaches and algorithms. ACM Comput Surv 45(2):2–39
20.
Lin M-Y, Lee S-Y (2004) Incremental update on sequential patterns in large databases by implicit merging and efficient counting. Inf Syst 29(5):385–404
21.
Wang J, Han J (2004) BIDE: efficient mining of frequent closed sequences. In: Proceedings of 20th international conference on data engineering, pp 79–90
22.
He H, Wang D, Chen G, Zhang W (2014) An alert correlation analysis oriented incremental mining algorithm of closed sequential patterns with gap constraints. Int J Appl Math Inf Sci 8(1L):41–46CrossRef
23.
Mallick B, Garg D, Grover PS (2013) Incremental mining of sequential patterns: progress and challenges. Intel Data Anal 17(3):507–530
24.
Yuan D, Lee K, Cheng H, Krishna G, Li Z, Ma X, Zhou Y, Han J (2006) CISpan: (2008) comprehensive incremental mining algorithms of closed sequential patterns for multi-versional software mining. In: Proceeding of SDM’2008, pp 84–95
Metadaten
Titel
IncSPADE: An Incremental Sequential Pattern Mining Algorithm Based on SPADE Property
verfasst von
Omer Adam
Zailani Abdullah
Amir Ngah
Kasypi Mokhtar
Wan Muhamad Amir Wan Ahmad
Tutut Herawan
Noraziah Ahmad
Mustafa Mat Deris
Abdul Razak Hamdan
Jemal H. Abawajy
Copyright-Jahr
2016
Buch
Advances in Machine Learning and Signal Processing

Print ISBN: 978-3-319-32212-4

Electronic ISBN: 978-3-319-32213-1

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-32213-1_8

Neuer Inhalt

    Bildnachweise