Logo des Repositoriums
 

Lernen häufiger Muster aus intervallbasierten Datenströmen - Semantik und Optimierungen

dc.contributor.authorGeesen, Dennis
dc.contributor.authorAppelrath, H. -Jürgen
dc.contributor.authorGrawunder, Marco
dc.contributor.authorNicklas, Daniela
dc.contributor.editorMarkl, Volker
dc.contributor.editorSaake, Gunter
dc.contributor.editorSattler, Kai-Uwe
dc.contributor.editorHackenbroich, Gregor
dc.contributor.editorMitschang, Bernhard
dc.contributor.editorHärder, Theo
dc.contributor.editorKöppen, Veit
dc.date.accessioned2018-10-24T09:56:20Z
dc.date.available2018-10-24T09:56:20Z
dc.date.issued2013
dc.description.abstractDas Erkennen und Lernen von Mustern über Ereignisdatenströmen ist eine wesentliche Voraussetzung für effektive kontextbewusste Anwendungen, wie sie bspw. in intelligenten Wohnungen (Smart Homes) vorkommen. Zur Erkennung dieser Muster werden i.d.R. Verfahren aus dem Bereich des Frequent Pattern Mining (FPM) eingesetzt. Das Erlernen relevanter Muster findet aktuell entweder auf aufgezeichneten Ereignisströmen statt oder wird online mit Hilfe spezieller, an die Be- sonderheiten der Stromverarbeitung angepasste FPM-Algorithmen durchgeführt. Auf diese Weise muss entweder auf die Onlineverarbeitung verzichtet oder existierende und bewährte effiziente FPM-Algorithmen können nicht eingesetzt werden. In diesem Beitrag stellen wir einen Ansatz vor, der es ermöglicht, beliebige Datenbank-basierte FPM-Algorithmen ohne Anpassung auch auf Datenströmen durchzuführen. Da unsere Semantik auf der bekannten relationalen Algebra basiert, können weitere Optimierungen bspw. durch Anfrageumschreibungen erfolgen. Wir evaluieren den Ansatz im Datenstrom-Framework Odysseus und zeigen, dass bspw. beim Einsatz des FPM- Algorithmus „FP-Growth“ das Lernen in konstanter Zeit erfolgen kann und somit ein kontinuierliches Lernen auf dem Datenstrom möglich ist.de
dc.identifier.isbn978-3-88579-608-4
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/17327
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartofDatenbanksysteme für Business, Technologie und Web (BTW) 2031
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-214
dc.titleLernen häufiger Muster aus intervallbasierten Datenströmen - Semantik und Optimierungende
dc.typeText/Conference Paper
gi.citation.endPage309
gi.citation.publisherPlaceBonn
gi.citation.startPage295
gi.conference.date13.-15. März 2013
gi.conference.locationMagdeburg
gi.conference.sessiontitleRegular Research Papers

Dateien

Originalbündel
1 - 1 von 1
Lade...
Vorschaubild
Name:
295.pdf
Größe:
212.46 KB
Format:
Adobe Portable Document Format