一種時(shí)序關(guān)聯(lián)規(guī)則挖掘算法的研究與實(shí)現(xiàn)

董 輝，方 曉，方躍勝

（1.亳州職業(yè)技術(shù)學(xué)院信息工程系 ，亳州236800；2.安徽水利水電職業(yè)技術(shù)學(xué)院電子信息工程系，合肥231603）

0 引言

數(shù)據(jù)挖掘是致力于對(duì)各類海量數(shù)據(jù)集進(jìn)行分析和理解，以發(fā)現(xiàn)數(shù)據(jù)內(nèi)部所蘊(yùn)含知識(shí)的過(guò)程，而關(guān)聯(lián)規(guī)則挖掘一直都是數(shù)據(jù)挖掘領(lǐng)域的一項(xiàng)重要研究?jī)?nèi)容，也是數(shù)據(jù)挖掘技術(shù)中的一個(gè)研究熱點(diǎn)，其主要目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中項(xiàng)目之間的相關(guān)聯(lián)系，研究成果被廣泛應(yīng)用于商業(yè)、金融、電信等領(lǐng)域［1］。在數(shù)據(jù)挖掘的各類對(duì)象數(shù)據(jù)集中，有一類數(shù)據(jù)集的數(shù)據(jù)之間存在著時(shí)間上的關(guān)系，是按時(shí)間順序取得的一系列相互關(guān)聯(lián)的觀測(cè)值，它們反映了某個(gè)事務(wù)或事件隨著時(shí)間變化的狀態(tài)，其狀態(tài)可以用實(shí)數(shù)值或符號(hào)來(lái)表示，此類數(shù)據(jù)被稱為時(shí)間序列，簡(jiǎn)稱時(shí)序。如果該數(shù)據(jù)序列是連續(xù)的，稱之為連續(xù)時(shí)序；否則稱為離散時(shí)序。本文主要研究時(shí)序值為實(shí)數(shù)的時(shí)間序列，即傳統(tǒng)狹義時(shí)序。在各個(gè)領(lǐng)域中，時(shí)序是普遍存在的，并且隨著信息技術(shù)發(fā)展以及人們獲取數(shù)據(jù)手段的多樣化，人類所擁有的時(shí)序信息急劇膨脹，如證券公司擁有的大量股票信息時(shí)序數(shù)據(jù)、交通路口實(shí)時(shí)影像數(shù)據(jù)、醫(yī)療設(shè)備腦掃描數(shù)據(jù)等都可看作是時(shí)序。在這些海量的時(shí)序數(shù)據(jù)中，隱藏著大量的知識(shí)或信息急需我們來(lái)獲取。因此，研究、探索新技術(shù)或方法，有效地從這些復(fù)雜的海量時(shí)序中挖掘潛在的有益知識(shí)和信息，具有重要的理論價(jià)值和現(xiàn)實(shí)意義，是知識(shí)發(fā)現(xiàn)（KDD）中的重要分支之一［2］。

時(shí)序數(shù)據(jù)挖掘是挖掘時(shí)序數(shù)據(jù)中潛在的有用的知識(shí)或信息的過(guò)程，在這一過(guò)程中必須考慮數(shù)據(jù)集之中數(shù)據(jù)間存在的時(shí)間關(guān)系，但是因?yàn)闀r(shí)序數(shù)據(jù)具備動(dòng)態(tài)性、復(fù)雜性、高維性、高噪聲特性及容易達(dá)到大規(guī)模的特性，從而使得時(shí)序挖掘也是數(shù)據(jù)挖掘研究中最具有挑戰(zhàn)性的研究方向之一［2］。美國(guó)UC Riverside的E.Keogh和 UI Urbana－Champaign的J.Han研究小組是目前時(shí)序研究領(lǐng)域最為活躍的群體。大約從2000年，國(guó)內(nèi)復(fù)旦大學(xué)、浙江大學(xué)、中國(guó)科技大學(xué)等高校陸續(xù)進(jìn)行了相關(guān)研究，但是比較零散而沒(méi)有系統(tǒng)性。在時(shí)序數(shù)據(jù)挖掘中，時(shí)序關(guān)聯(lián)規(guī)則挖掘已經(jīng)越來(lái)越引起研究者的關(guān)注，主要包括分為時(shí)序數(shù)據(jù)預(yù)處理、時(shí)序數(shù)據(jù)壓縮、時(shí)序數(shù)據(jù)模式相似性度量、時(shí)序關(guān)聯(lián)規(guī)則獲取及解釋和評(píng)價(jià)等過(guò)程，已有不少文獻(xiàn)提出相關(guān)論述，如文獻(xiàn)［2］對(duì)上述幾個(gè)方面有所綜述，文獻(xiàn)［3］提出用滑動(dòng)窗口法進(jìn)行時(shí)序關(guān)聯(lián)規(guī)則挖掘，文獻(xiàn)［4］提出日歷關(guān)聯(lián)規(guī)則挖掘，文獻(xiàn)［5］提出基于時(shí)間段的時(shí)序規(guī)則挖掘等。

由此可見(jiàn)，時(shí)序關(guān)聯(lián)規(guī)則研究具有很重要的實(shí)用意義，本文主要研究時(shí)序列關(guān)聯(lián)規(guī)則挖掘算法的設(shè)計(jì)與實(shí)現(xiàn)，并應(yīng)用獲取頻繁時(shí)序列以有利于對(duì)時(shí)間列行趨勢(shì)分析和預(yù)測(cè)，為決策者提供更好的幫助。

1 時(shí)序關(guān)聯(lián)規(guī)則相關(guān)數(shù)據(jù)模型的概念

為了更清晰地表述內(nèi)容，下面給出時(shí)序即時(shí)序關(guān)聯(lián)規(guī)則的有關(guān)數(shù)據(jù)模型概念。

定義1 時(shí)序 時(shí)序是由值和值發(fā)生的時(shí)間組成的元素的有序集合，記為S ＝ ｛Vt1，Vt2，…，Vtn｝，Vti表示時(shí)序在時(shí)間戳ti的取值，稱為時(shí)序項(xiàng)，時(shí)間戳是嚴(yán)格遞增的，即所有時(shí)序項(xiàng)按照各時(shí)序項(xiàng)的時(shí)間戳從小到大排列。

通常，時(shí)序研究采樣間隔時(shí)間Δt＝ti－1－ti等長(zhǎng)，因此時(shí)序也可簡(jiǎn)記為S＝ ｛V1，V2，…，Vn｝，時(shí)序S＝ ｛V1，V2，…，Vn｝，所包含時(shí)序項(xiàng)的個(gè)數(shù)L，稱為時(shí)序長(zhǎng)度，長(zhǎng)度為L(zhǎng)的時(shí)序稱為L(zhǎng)－時(shí)序。

定義2 時(shí)序關(guān)聯(lián)規(guī)則 設(shè)有時(shí)序S＝｛V1，V2，…，Vn｝，事務(wù)T 為時(shí)序項(xiàng)的集合，D 為事務(wù)集合，A，B為S的子時(shí)序（A?S，B?S），且A∩B＝Ф。時(shí)序關(guān)聯(lián)規(guī)則是形如的蘊(yùn)含式，該蘊(yùn)含式表示在時(shí)序S中，子時(shí)序A出現(xiàn)在事務(wù)T的Δt時(shí)間間隔后，B也會(huì)在同一事務(wù)T中出現(xiàn)。

定義3 時(shí)序支持度 時(shí)序支持度B），表示S中同時(shí)包含A，B且滿足時(shí)間間隔Δt的事務(wù)數(shù)γ與D中所有的事務(wù)數(shù)λ的比率，即為：表示D中同時(shí)包含A，B且滿足Δt周期的事務(wù)數(shù)，又稱之為D中同時(shí)包含A，B且滿足Δt周期的事務(wù)的支持?jǐn)?shù)。

定義4 頻繁時(shí)序 同時(shí)包含A，B且滿足時(shí)間間隔Δt的子時(shí)序在時(shí)序S中出現(xiàn)頻率大于最小支持度閾值或者同時(shí)包含A，B且滿足時(shí)間間隔Δt的子時(shí)序在時(shí)序S出現(xiàn)的頻次大于最小支持?jǐn)?shù)閾值δ的子時(shí)序，稱該子時(shí)序?yàn)轭l繁時(shí)序。

定義5 時(shí)序置信度 時(shí)序關(guān)聯(lián)規(guī)則的置信度，表示D中同時(shí)包含A，B且的事務(wù)數(shù)γ與D中包含A事務(wù)數(shù)μ的比率，可表示為：

定義6 強(qiáng)時(shí)序關(guān)聯(lián)規(guī)則 如果時(shí)序關(guān)聯(lián)規(guī)則同時(shí)滿足B）＞minconf，其中minsup、minconf分別為最小支持度和最小置信度閾值，則稱時(shí)序關(guān)聯(lián)規(guī)則A?ΔtB為強(qiáng)時(shí)序關(guān)聯(lián)規(guī)則。

2 時(shí)序關(guān)聯(lián)規(guī)則挖掘分析

2.1 時(shí)序關(guān)聯(lián)規(guī)則挖掘基礎(chǔ)

時(shí)序關(guān)聯(lián)規(guī)則挖掘是一個(gè)復(fù)雜的系統(tǒng)工程，包括時(shí)序數(shù)據(jù)預(yù)處理、時(shí)序數(shù)據(jù)壓縮、時(shí)序數(shù)據(jù)相似性度量、時(shí)序頻繁模式獲取及強(qiáng)時(shí)序關(guān)聯(lián)規(guī)則生成等步驟，每一步驟挖掘方法的優(yōu)劣都直接影響和制約著最后挖掘的時(shí)序關(guān)聯(lián)規(guī)則的可靠性與有效性［6］。囿于篇幅，本文主要研究時(shí)序頻繁模式獲取算法。與傳統(tǒng)的關(guān)聯(lián)規(guī)則挖掘相比，時(shí)序關(guān)聯(lián)規(guī)則挖掘的是諸如顧客不同時(shí)間多次購(gòu)物行為中的規(guī)律，挖掘的結(jié)果是由若干項(xiàng)集組成的序列。由于引入了時(shí)間概念，時(shí)列關(guān)聯(lián)規(guī)則挖掘算法也較傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘算法更為復(fù)雜，傳統(tǒng)的關(guān)聯(lián)規(guī)則頻繁模式挖掘與強(qiáng)關(guān)聯(lián)規(guī)則算法已不再適用，如經(jīng)典Apriori算法和FT＿Growth算法，而只能應(yīng)用新的挖掘算法來(lái)發(fā)現(xiàn)時(shí)序頻繁模式或生產(chǎn)強(qiáng)時(shí)序關(guān)聯(lián)規(guī)則，其中以改進(jìn)的ApriorAll算法和基于滑動(dòng)窗口的符號(hào)化序列獲取強(qiáng)時(shí)序關(guān)聯(lián)規(guī)則較為著名［7］。本文作者在學(xué)習(xí)總結(jié)有關(guān)時(shí)序關(guān)聯(lián)算法基礎(chǔ)上，提出一種基于滑動(dòng)窗口和時(shí)序樹(shù)的頻繁時(shí)序獲取算法。

2.2 挖掘頻繁時(shí)序算法原理與設(shè)計(jì)

2.2.1 算法原理

針對(duì)時(shí)序S＝ ｛V1，V2，…，Vn｝、最小支持?jǐn)?shù)閾值δ（或最小支持度閾值的minsup）和最小置信度minconf，取滑動(dòng)窗口W 的長(zhǎng)度為wl，在時(shí)序關(guān)聯(lián)規(guī)則獲取過(guò)程中，每次向后滑動(dòng)一步，可得到時(shí)序的一個(gè)子時(shí)序，多次滑動(dòng)后，可把時(shí)序S離散成若干子時(shí)序集：

然后把離散后的子時(shí)序的每個(gè)時(shí)序項(xiàng)插入到一個(gè)以NULL值為根節(jié)點(diǎn)的樹(shù)中，在插入的過(guò)程中對(duì)每個(gè)時(shí)序項(xiàng)計(jì)數(shù)，所以此樹(shù)的除根節(jié)點(diǎn)外，其他節(jié)點(diǎn)的數(shù)據(jù)有2部分構(gòu)成，可表示為：（Vi∶x）（Vi時(shí)序值，x為計(jì)數(shù)值）。然后通過(guò)遍歷此樹(shù)，獲取頻繁時(shí)序。需要說(shuō)明的是，由于在時(shí)序中，因?yàn)槊總€(gè)時(shí)序項(xiàng)值的出現(xiàn)，有一定的時(shí)間先后順序，在構(gòu)造樹(shù)的過(guò)程中，相同是時(shí)序值，因?yàn)槌霈F(xiàn)的時(shí)間不同，所以有時(shí)并不能合并到一個(gè)節(jié)點(diǎn)上。

如 時(shí) 序 S ＝ ｛a1，a2，a1，a2，a1，a2，a1，a2，a2，a2｝，設(shè)滑動(dòng)窗口W 的長(zhǎng)度wl＝3，每次向后滑動(dòng)一步，由此可把時(shí)序S離散成如下子時(shí)序集：

以上述W（S）構(gòu)造一個(gè)時(shí)序樹(shù)的步驟如下：

第1步：創(chuàng)建以NULL為值的根節(jié)點(diǎn)。從時(shí)序項(xiàng)讀取長(zhǎng)度wl＝3的第1個(gè)子時(shí)序項(xiàng)，為根節(jié)點(diǎn)創(chuàng)建一個(gè)有3個(gè)節(jié)點(diǎn)的分支，即 ＜ （a1∶1），（a2∶1），（a1∶1）＞，其中第1個(gè)（a1∶1）為（a2∶1）的父節(jié)點(diǎn)，第2個(gè)（a1∶1）為（a2∶1）的子女節(jié)點(diǎn)。

第2步：滑動(dòng)窗口W一步，讀取讀取長(zhǎng)度為3的第2個(gè)子序列 ＜ （a2，a1，a2）＞，遍歷在根節(jié)點(diǎn)的子女節(jié)點(diǎn)，發(fā)現(xiàn)沒(méi)有a2，創(chuàng)建第2個(gè)分支 ＜ （a2∶1），（a1∶1），（a2∶1）＞，其中第1個(gè)（a2∶1）為（a1∶1）的根節(jié)點(diǎn)，第二個(gè)（a2∶1）為（a1∶1）的子女節(jié)點(diǎn)。

第3步：再次滑動(dòng)窗口W一步，讀取讀取長(zhǎng)度為3第3個(gè)子時(shí)序項(xiàng)（a1，a2，a1），通過(guò)遍歷第2步完成的時(shí)序樹(shù)，發(fā)現(xiàn)已有以a1為根節(jié)點(diǎn)的左子樹(shù)，把左子樹(shù)根節(jié)點(diǎn)計(jì)數(shù)值加1，接著遍歷左子樹(shù)的子女節(jié)點(diǎn)，發(fā)現(xiàn)a2存在，同樣把該節(jié)點(diǎn)的計(jì)數(shù)值累加1，再遍歷a2的子女節(jié)點(diǎn)，發(fā)現(xiàn)a1存在，把該子女節(jié)點(diǎn)計(jì)數(shù)值加1。

第4步：多次重復(fù)第3步，直至把最后的時(shí)序項(xiàng)值插入該樹(shù)中并完成相應(yīng)時(shí)序項(xiàng)的計(jì)數(shù)，構(gòu)成該時(shí)序一個(gè)完整的時(shí)序樹(shù)如圖1所示。

圖1 時(shí)序樹(shù)

通過(guò)采用深度優(yōu)先的原則對(duì)圖1的遍歷，可以挖掘出頻繁時(shí)序，設(shè)最小支持?jǐn)?shù)閾值為δ＝3。步驟如下：

首先遍歷左子樹(shù)，讀取其根節(jié)點(diǎn)（a1∶4），其計(jì)數(shù)值大于3，如此類推再遍歷其子女節(jié)點(diǎn)（a2∶4），計(jì)數(shù)值為4，大于3，同理其子女節(jié)點(diǎn)（a1∶4）計(jì)數(shù)值4大于3，子女節(jié)點(diǎn)（a2∶1）計(jì)數(shù)值1小于3。因此由（a1∶4）、（a2∶4）、（a1∶4）、（a2∶1）4個(gè)節(jié)點(diǎn)，構(gòu)成的滿足大于最小支持?jǐn)?shù)閾值δ＝3的候選頻繁時(shí)序集合為：｛（a1，a2，a1），（a1，a2），（a2，a1）｝。又滑動(dòng)窗口 W 的長(zhǎng)度wl＝3，故在上述頻繁時(shí)序集中只能取子時(shí)序｛a1，a2，a1｝作為時(shí)序的頻繁時(shí)序。

第2步遍歷右子樹(shù)，同樣發(fā)現(xiàn)滿足大于最小支持?jǐn)?shù)閾值δ＝3的候選頻繁時(shí)序集合為：｛（a2，a1，a2），（a2，a1），（a1，a2）｝，滑動(dòng)窗口W 的長(zhǎng)度wl＝3，同理頻繁時(shí)序集中只能取子時(shí)序｛a2，a1，a2｝作為時(shí)序的頻繁時(shí)序。

第3步：綜合第1、2兩步，得到時(shí)序S的長(zhǎng)度為3的頻繁時(shí)序集合為｛（a1，a2，a1），（a2，a1，a2）｝。為了避免挖掘遺漏頻繁時(shí)序，然后把此2個(gè)序列連接，生成長(zhǎng)度為4的子序列｛a1，a2，a1，a2｝，在S序列中搜索發(fā)現(xiàn)，子序列｛a1，a2，a1，a2｝只在S 中出現(xiàn)2次，小于最小支持?jǐn)?shù)閾值δ＝3，因此｛a1，a2，a1，a2｝不是頻繁序列，至此頻繁時(shí)序挖掘結(jié)束。

2.2.2 算法設(shè)計(jì)實(shí)現(xiàn)

根據(jù)2.2.1的分析，時(shí)序關(guān)聯(lián)規(guī)則挖掘算法設(shè)計(jì)實(shí)現(xiàn)如下：

輸入：時(shí)序S＝ ｛V1，V2，…，Vn｝、滑動(dòng)窗口W的長(zhǎng)度wl、最小支持?jǐn)?shù)閾值δ

輸出：頻繁時(shí)序項(xiàng)集合

Proc TSDPM（）

（1）Create Rote＿node（NULL）；／／創(chuàng)建時(shí)序樹(shù)根節(jié)點(diǎn)，節(jié)點(diǎn)值為NULL

（2）For（j＝int（n／wl），j≥1；j－－）／／當(dāng)時(shí)序項(xiàng)數(shù)小于滑動(dòng)窗口長(zhǎng)度wl時(shí)，讀取結(jié)束

（3）Sj＝NULL；／／把Sj子時(shí)序初始為 NULL

（4）For（i＝1，i＜＝wl，i＋＋）

（5）Sj＝Sj＋｛vi｝；／／Sj為子時(shí)序，vi為順序讀取的時(shí)序項(xiàng)值，為Si的第i項(xiàng)

（6）If（?（Cnode（vi）∈Node（V’）））／／Node為父節(jié)點(diǎn)，Cnode為子女節(jié)點(diǎn)＊／

（7）｛Cnode（vi）.x＝Cnode（vi）.x＋1；｝／／Cnode為節(jié)點(diǎn)計(jì)數(shù)值加1＊／

（8）Else

（9）｛Create Cnode（vi）；／／創(chuàng)建 Cnode節(jié)點(diǎn)，初始計(jì)數(shù)值為1＊／

（11）Cnode（vi）.x＝1；｝

（12）Endfor

（13）Endfor；／／時(shí)序樹(shù)構(gòu)造結(jié)束

（14）FP＿Find（node）；／／遍歷時(shí)序樹(shù)，獲取頻繁時(shí)序

（15）Return；

其中FP＿Find（）函數(shù)返回的是頻繁時(shí)序項(xiàng)集合，其過(guò)程如下：

FUNC FP＿Find（Node）

（1）｛S’＝Null；／／時(shí)序S’初始為 NULL

（2）For

（3）If（Node（vi）.x≥δ）

（4）｛Add Node to S’／／把節(jié)點(diǎn) Node加入到時(shí)序S’

（5）FP＿Find（Cnode）；／／針對(duì) Node的所有子女節(jié)點(diǎn)Cnode，遞歸調(diào)用FP＿Find（）

（6）If（Node’s Cnode.x＜δ）／／若 Node不再有子女節(jié)點(diǎn)的計(jì)數(shù)值小于支持計(jì)數(shù)閾值

（7）Add all Cnode in CurrentPath to S’；／／將當(dāng)前路徑的所有時(shí)序項(xiàng)添加到時(shí)序S’中

（8）Else

（9）Break；｝

（10）Endfor

（12）Return S’；｝

2.2.3 算法分析

本算法中所創(chuàng)建的時(shí)序樹(shù)深度與滑動(dòng)窗口的長(zhǎng)度相等，與時(shí)序項(xiàng)個(gè)數(shù)無(wú)關(guān)，樹(shù)節(jié)點(diǎn)的數(shù)量與時(shí)序項(xiàng)值數(shù)量、窗口W 的長(zhǎng)度及最小支持?jǐn)?shù)閾值相關(guān)，而且在實(shí)際應(yīng)用中，它們的值都為有限的常數(shù)，因此算法的時(shí)間復(fù)雜度T（n）＝O（n），空間復(fù)雜度S（n）＝O（1），為原地算法，空間消耗較少。

3 算法實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)環(huán)境：PC配置為Windows8系統(tǒng)、Core雙核i3CPU、PC1333 2G內(nèi)存PC、Turbo C＋＋3.0編程環(huán)境；樣本數(shù)據(jù)為上海股市中國(guó)銀行（SH：601988）2008年—2011年全部的每日收盤(pán)價(jià)樣本時(shí)序數(shù)據(jù)，收盤(pán)價(jià)在2.82～6.61元之間波動(dòng)。設(shè)最小支持?jǐn)?shù)閾值δ＝3，滑動(dòng)窗口W 的長(zhǎng)度wl＝8。

用Turbo C＋＋3.0編程實(shí)現(xiàn)TSDPM算法過(guò)程，在所給定的軟硬件環(huán)境下實(shí)現(xiàn)對(duì)樣本時(shí)序數(shù)據(jù)進(jìn)行處理，共獲取滿足條件的頻繁時(shí)序76項(xiàng)，耗時(shí)32ms。而同等環(huán)境下，以經(jīng)典時(shí)序挖掘Aprioriall算法實(shí)現(xiàn)對(duì)此樣本數(shù)據(jù)處理，在獲取同樣數(shù)量頻繁時(shí)序的情況下，耗時(shí)為46ms?？梢?jiàn)TSDPM算法可滿足對(duì)時(shí)間序列挖掘需求，挖掘效率有所提高，兩種算法的運(yùn)行效果如圖2所示。

圖2 算法運(yùn)行效果比較

4 結(jié)語(yǔ)

時(shí)序數(shù)據(jù)挖掘日益成為數(shù)據(jù)挖掘的一個(gè)重要方面，本文在研究時(shí)序數(shù)據(jù)挖掘的基礎(chǔ)上，重點(diǎn)分析了時(shí)序關(guān)聯(lián)規(guī)則挖掘知識(shí)，并在此基礎(chǔ)上提出一種基于滑動(dòng)窗口和時(shí)序樹(shù)結(jié)構(gòu)的時(shí)序關(guān)聯(lián)規(guī)則挖掘算法，給出算法偽代碼過(guò)程，并以實(shí)例分析其實(shí)現(xiàn)步驟。通過(guò)實(shí)驗(yàn)分析，在同等環(huán)境和條件要求下，該算法執(zhí)行效率較高，完全滿足對(duì)時(shí)間序列數(shù)據(jù)挖掘的需要。

［1］王華金，蘭紅.一種基于FP－tree挖掘最大頻繁模式的改進(jìn)算法［J］.長(zhǎng)春工程學(xué)院學(xué)報(bào)：自然科學(xué)版，2007，8（1）：59－62.

［2］賈澎濤，何華燦，劉麗，等.時(shí)間序列數(shù)據(jù)挖掘綜述［J］.計(jì)算機(jī)應(yīng)用研究，2007，24（11）：15－18.

［3］Mannila H，Toivonenand H，Verkamo A I.Discovery of frequent episodes in event sequences［J］.Data Mining and Knowledge Discover，1997，1（3）：259－289.

［4］FU HG，NGUIFO EM.A Parallel A Igorithm to Generate Formal Concepts for Large Data［A］.Peter ERlund.Second International Conference on Formal Concept A－nalysis，ICFCA 2004［C］.Sydney，Australia：Springer，2004，394－401.

［5］Kam PS，F(xiàn)u AWC.Diseovering temporal Pattems for interval－based events［A］.Yahiko kambayashi，Mukesh Mohania，A Min Jjoa.In：Proceedings of the 2nd International Conference on Data Warehousing and Knowledge Discovery （DawaK2000）［C］.London，UK：Springer，2000：317－326.

［6］周勇.時(shí)間序列時(shí)序關(guān)聯(lián)規(guī)則挖掘研究［D］.成都：西南財(cái)經(jīng)大學(xué)，2008.1－6.

［7］張寧.基于滑動(dòng)窗口的時(shí)間序列離群數(shù)據(jù)挖掘［J］.燕山大學(xué)學(xué)報(bào)，2008，32（6）：483－486.