A matter of time: multi-time interval pattern discovery to preserve the temporal information in between

Abstract

Data Mining beschäftigt sich damit, Trends, Muster und Beziehungen zwischen Mustern zu finden und es gibt eine Reihe von bestehenden Methoden in diesem Bereich. Weil Zeitreihen und zeitorientiere Daten ein besonders häufig vorkommendes und wichtiges Gebiet sind, sind Methoden von besonderer Relevanz, die sich mit zeitorientierten Daten und Informationen beschäftigen. Die im Bereich des Temporal Data Mining bekannten Methoden des sogenannten Sequence Mining liefern Abfolgen von Events als Ergebnisse, beinhalten aber weder Informationen über die zeitlichen Abstände zwischen den Events, noch darüber, in welchen Zeitabständen ein bestimmtes Muster wiederkehrt.<br />Das Ziel dieser Dissertation ist es, zu untersuchen, wie Temporal Data Mining Methoden für den Einsatz in der Analyse multivariater zeitorientierter Daten mit mehreren Granularitäten erweitert werden können. Dabei sollen einerseits (bisher unbekannte) Beziehungen zwischen den Daten in Form von multi-time interval patterns gefunden werden und andererseits soll dieser Prozess auch visuell unterstützt werden.<br />Methodisch basiert der vorgeschlagene Ansatz auf dem sogenannten I- Apriori Algorithmus, der in mehrerlei Hinsicht erweitert und weiterentwickelt wurde. Neben der Verallgemeinerung auf andere Datenstrukturen als Transaktionsdatenbanken wurde dabei eine Flexibilisierung und bessere Konfiguration bzw. Steuerbarkeit an verschiedenen Stellen des Mining Prozesses erreicht.<br />Um die Brauchbarkeit der entwickelten Methode zu illustrieren, wurde sie auf die zwei Anwendungszenarien angewandt: 1) Umsatz- und Personaldaten eines Einkaufszentrums sowie 2) Passagierdaten einer Fluggesellschaft.<br />Mit Hilfe der Mining Methode konnten bisher unbekannte Muster in den Daten gefundenen und als Grundlage für weitere Analysen eingesetzt werden.<br />

Data Mining is concerned with the tasks of finding trends, patterns and relationships among patterns and many approaches have been proposed in this area. In particular, these tasks become extremely relevant when dealing with time-oriented data and information. However, especially in the field of so called sequence mining, most of the methods have a sequence of events as outcome, having neither any knowledge about the intervals between them nor about after how much time a particular pattern will reoccur. The goal of this thesis is to investigate how Temporal Data Mining can be adapted and used to analyze multivariate time-oriented data having multiple granularities in order to discover multi-time interval patterns, relations among data (previously unknown) as well as visually support this process. In detail, the approach we propose extends in particular the so called I-Apriori algorithm to non transactional databases and tries to provide a more general as well as more customizable way to find multi-time interval patterns in time oriented data. The proposed approach has been applied to data coming from a shopping mall and data coming from a flight company. The results outlined the presence of interesting behaviour in the data previously unknown and were used as basis for further analysis.