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:
Semi-supervised Learning for Multi-target Regression Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Mining Positional Data Streams

verfasst von : Jens Haase, Ulf Brefeld

Erschienen in: New Frontiers in Mining Complex Patterns

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

We study frequent pattern mining from positional data streams. Existing approaches require discretised data to identify atomic events and are not applicable in our continuous setting. We propose an efficient trajectory-based preprocessing to identify similar movements and a distributed pattern mining algorithm to identify frequent trajectories. We empirically evaluate all parts of the processing pipeline.

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 Prequential AUC for Classifier Evaluation and Drift Detection in Evolving Data Streams
Nächstes Kapitel Visualization for Streaming Telecommunications Networks
Fußnoten
1
Two occurrences of an episode are said to be non-overlapping, if no event associated with one appears in between the events associated with the other.
 
2
In practice one would read the event stream block wise instead of loading the whole data at once into memory. We chose the latter for ease of presentation.
 
Literatur
1.
Achar, A., Laxman, S., Viswanathan, R., Sastry, P.S.: Discovering injective episodes with general partial orders. Data Min. Knowl. Discov. 25(1), 67–108 (2012)CrossRefMATHMathSciNet
2.
Agrawal, R., Imieliński, T., Swami, A.: Mining association rules between sets of items in large databases. SIGMOD Rec. 22(2), 207–216 (1993)CrossRef
3.
Agrawal, R., Srikant, R.: Mining sequential patterns. In: Proceedings of ICDE (1995)
4.
Athitsos, V., Potamias, M., Papapetrou, P., Kollios, G.: Nearest neighbor retrieval using distance-based hashing. In: Proceedings of the ICDE (2008)
5.
Beetz, M., Hoyningen-Huene, N.V., Kirchlechner, B., Gedikli, S., Siles, F., Durus, M., Lames, M.: ASpoGAMo: Automated sports game analysis models. Int. J. Comput. Sci. Sport. 8(1), 4–21 (2009)
6.
Giannotti, F., Nanni, M., Pinelli, F., Pedreschi, D.: Trajectory pattern mining. In: Proceedings of KDD (2007)
7.
Indyk, P., Motwani, R.: Similarity search in high dimensions via hashing. In: Proceedings of VLDB (1999)
8.
Itakura, F.: Minimum prediction residual principle applied to speech recognition. In: Waibel, A., Lee, K.-F. (eds.) Readings in Speech Recognition. Morgan Kaufmann, San Francisco (1990)
9.
Iwanuma, K., Takano, Y., Nabeshima, H.: On anti-monotone frequency measures for extracting sequential patterns from a single very-long data sequence. In: Proceedings of CIS (2004)
10.
Iwase, S., Saito, H.: Tracking soccer player using multiple views. In: Proceedings of IAPR MVA (2002)
11.
Kalnis, P., Mamoulis, N., Bakiras, S.: On discovering moving clusters in spatio-temporal data. In: Medeiros, C.B., Egenhofer, M., Bertino, E. (eds.) SSTD 2005. LNCS, vol. 3633, pp. 364–381. Springer, Heidelberg (2005) CrossRef
12.
Kang, C.-H., Hwang, J.-R., Li, K.-J.: Trajectory analysis for soccer players. In: Proceedings of ICDMW (2006)
13.
Keogh, E.: Exact indexing of dynamic time warping. In: Proceedings of VLDB (2002)
14.
Kim, S.-W., Park, S., Chu, W.W.: An index-based approach for similarity search supporting time warping in large sequence databases. In: Proceedings of ICDE (2001)
15.
Laxman, S.: Discovering frequent episodes: fast algorithms, connections with HMMs and generalizations. Ph.D. thesis, Indian Institute of Science (2006)
16.
Laxman, S., Sastry, P.S., Unnikrishnan, K.P.: Discovering frequent episodes and learning hidden markov models: a formal connection. IEEE Trans. Knowl. Data Eng. 17(11), 1505–1517 (2005)CrossRef
17.
Mannila, H., Toivonen, H., Verkamo, A.I.: Discovery of frequent episodes in event sequences. Data Min. Knowl. Discov. 1(3), 259–289 (1997)CrossRef
18.
Müller, M.: Information Retrieval for Music and Motion. Springer-Verlag New York, Inc., Secaucus (2007)CrossRef
19.
Patnaik, D., Sastry, P.S., Unnikrishnan, K.P.: Inferring neuronal network connectivity from spike data: A temporal data mining approach. Sci. Program. 16(1), 49–77 (2008)
20.
Pei, J., Han, J., Mortazavi-asl, B., Pinto, H., Chen, Q., Dayal, U., Hsu, M.C.: Prefixspan: Mining sequential patterns efficiently by prefix-projected pattern growth. In: Proceedings of ICDE (2001)
21.
Perše, M., Kristan, M., Kovačič, S., Vučkovič, G., Perš, J.: A trajectory-based analysis of coordinated team activity in a basketball game. Comput. Vis. Image Underst. 113(5), 612–621 (2009)CrossRef
22.
Rabiner, L., Juang, B.-H.: Fundamentals of Speech Recognition. Prentice-Hall Inc., Upper Saddle River (1993)
23.
Sakoe, H., Chiba, S.: Dynamic programming algorithm optimization for spoken word recognition. In: Waibel, A., Lee, K.-F. (eds.) Readings in Speech Recognition, pp. 159–165. Morgan Kaufmann Publishers Inc., San Francisco (1990)CrossRef
24.
Sukthankar, G., Sycara, K.: Robust recognition of physical team behaviors using spatio-temporal models. In: Proceedings of AAMAS (2006)
25.
Tatti, N., Cule, B.: Mining closed episodes with simultaneous events. In: Proceedings of KDD (2011)
26.
Vlachos, M., Gunopulos, D., Das, G.: Rotation invariant distance measures for trajectories. In: Proceedings of KDD (2004)
27.
Xu, C., Zhang, Y.-F., Zhu, G., Rui, Y., Lu, H., Huang, Q.: Using webcast text for semantic event detection in broadcast sports video. Trans. Multi. 10(7), 1342–1355 (2008)CrossRef
28.
Yan, X., Han, J., Afshar, R.: Clospan: Mining closed sequential patterns in large datasets. In: Proceedings of SDM (2003)
29.
Zaki, M.J.: SPADE: An efficient algorithm for mining frequent sequences. Mach. Learn. 42(1–2), 31–60 (2001)CrossRefMATH
Metadaten
Titel
Mining Positional Data Streams
verfasst von
Jens Haase
Ulf Brefeld
Copyright-Jahr
2015
Buch
New Frontiers in Mining Complex Patterns

Print ISBN: 978-3-319-17875-2

Electronic ISBN: 978-3-319-17876-9

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-17876-9_7