Resumen

La extracción tradicional de reglas de asociación puede enfrentar algunas dificultades debido a ignorar el aspecto temporal de los datos recopilados. En particular, sucede en muchos casos que algunos conjuntos de ítems son frecuentes durante períodos de tiempo específicos, aunque no son frecuentes en todo el conjunto de datos. En este estudio, hacemos un esfuerzo para mejorar la minería de reglas convencionales introduciendo conjuntos suaves temporales. Definimos mapeos de granulación temporal para inducir estructuras granulares para datos de transacciones temporales. Utilizando esta noción, definimos conjuntos suaves temporales y sus conjuntos suaves de recorte para establecer un marco novedoso para la minería de reglas de asociación temporales. Se obtienen una serie de caracterizaciones y resultados útiles, incluyendo una condición necesaria y suficiente para la identificación rápida de reglas de asociación temporal fuertes. Al combinar conjuntos suaves temporales con técnicas de minería de conjuntos de ítems frecuentes basadas en NegNodeset, desarrollamos el método de minería de

• Materias:Internet de las cosas Algoritmo iterativo Algoritmo de evaluación Viga viscoelástica Lenguaje de programación
• Subjects:Internet of things Iterative algorithm Evaluation algorithm Viscoelastic beam Programming language
• Palabras claves:Tradicional; Extracción de reglas de asociación; Aspecto temporal; Datos; Conjuntos de ítems; Frecuente; Períodos de tiempo; Conjuntos suaves temporales; Mapeos de granulación; Estructuras granulares; Datos de transacciones; Conjuntos suaves de clip; Marco de trabajo; Minería; Reglas; Caracterizaciones; Resultados; Identificación; Fuerte; Combinación; Técnicas de minería de conjuntos de ítems frecuentes basadas en negNodeset; Minería de reglas de asociación temporal suave basada en negFIN; Experimentos numéricos; Conjuntos de datos; Viabilidad; Enfoque; Análisis comparativo; Eficiencia de ejecución; Literatura
• Keywords:Traditional; Association rule extraction; Temporal aspect; Data; Item sets; Frequent; Time periods; Temporal soft sets; Granulation mappings; Granular structures; Transaction data; Clip soft sets; Framework; Mining; Rules; Characterizations; Results; Identification; Strong; Combining; NegNodeset-based; Frequent item set mining techniques; NegFIN-based; Soft temporal association rule mining; Numerical experiments; Data sets; Feasibility; Approach; Comparative analysis; Execution efficiency; Literature