Motifs Séquentiels Flous : Un Peu, Beaucoup, Passionnément - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Communication Dans Un Congrès Année : 2005

Motifs Séquentiels Flous : Un Peu, Beaucoup, Passionnément

Résumé

La plupart des bases de données issues du monde réel sont constituées de données numériques et historiées (données de capteurs, données scientifiques, données démographiques). Dans ce cadre les algorithmes d'extraction de motifs séquentiels, s'ils sont adaptés au caractère temporel des données ne permettent pas le traitement de données numériques. es données sont alors pré-traitées pour les transformer en données binaire, ce qui entraîne une perte d'information. Des algorithmes ont donc été proposés pour traiter les données numériques sous forme d'intervalles et d'intervalles flous notamment. En ce qui concerne la recherche de motifs séquentiels fondée sur des intervalles flous, les deux méthodes de la littérature ne sont pas satisfaisantes car incomplètes soit dans le traitement des séquences soit dans le calcul du support. Dans cet article, nous proposons donc trois méthodes d'extraction de motifs séquentiels flous {SPEEDYFUZZY, MINIFUZZY et TOTALLYFUZZY) et en détaillons les algorithmes sous-jacents en soulignant les différents niveaux de fuzzification. Ces algorithmes sont implémentés et évalués à travers différentes expérimentations menées sur des jeux de tests synthétiques.
Fichier principal
Vignette du fichier
1000357.pdf (414.92 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

lirmm-00106089 , version 1 (21-09-2019)

Identifiants

  • HAL Id : lirmm-00106089 , version 1

Citer

Céline Fiot, Anne Laurent, Maguelonne Teisseire. Motifs Séquentiels Flous : Un Peu, Beaucoup, Passionnément. EGC: Extraction et Gestion des Connaissances, Jan 2005, Paris, France. pp.507-518. ⟨lirmm-00106089⟩
89 Consultations
160 Téléchargements

Partager

Gmail Facebook X LinkedIn More