The KIPS Transactions:PartD (정보처리학회논문지D)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Discovery of Frequent Sequence Pattern in Moving Object Databases

이동 객체 데이터베이스에서 빈발 시퀀스 패턴 탐색

  • ;
  • 이범주 (충북대학교 전기전자컴퓨터공학부 전자계산학과) ;
  • 류근호 (충북대학교 전기전자 및 컴퓨터공학부)
  • Published : 2008.04.30
Download PDF
⟨ Previous Next ⟩

Abstract

The converge of location-aware devices, GIS functionalities and the increasing accuracy and availability of positioning technologies pave the way to a range of new types of location-based services. The field of spatiotemporal data mining where relationships are defined by spatial and temporal aspect of data is encountering big challenges since the increased search space of knowledge. Therefore, we aim to propose algorithms for mining spatiotemporal patterns in mobile environment in this paper. Moving patterns are generated utilizing two algorithms called All_MOP and Max_MOP. The first one mines all frequent patterns and the other discovers only maximal frequent patterns. Our proposed approach is able to reduce consuming time through comparison with DFS_MINE algorithm. In addition, our approach is applicable to location-based services such as tourist service, traffic service, and so on.

위치 기반 장치의 발전과, GIS 기능의 확장 그리고 위치 정보기술들의 정확성과 가용성이 증가함에 따라서 위치 기반 서비스들의 새로운 영역에 대한 새로운 가능성이 나타나게 되었다. 데이터의 시간과 공간 형태에 따라서 정의되는 Relationship에 기인하여 시공간 데이터 마이닝 영역에서 공간에 대한 지식 검색이 증가할 경우 매우 큰 문제에 직면한다. 이 논문에서는 모바일 환경에서 시공간 패턴 마이닝을 위한 알고리즘들을 제안한다. 이동 패턴들은 All_MOP와 Max_MOP 두 개의 알고리즘을 활용하여 생성된다. 이 알고리즘들은 먼저 모든 빈발 패턴들을 탐사한 후 오직 최대의 빈발 패턴만을 탐사한다. 아울러, 제안한 기법과 기존의 DFS_MINE 기법의 수행 시간 비교를 통하여 제안한 기법이 수행시간에서 다소 우수한 것을 나타낸다. 이러한 제안접근법은 관광 서비스, 교통 서비스 등과 같은 위치 기반 서비스 등에 활용할 수 있다.

Keywords

References

  1. R.Agrawal & R.Srikant, “Mining Sequential Patterns. Research report,” 1995
  2. S.Chakrabarti, S.Sarawagi, & B.Dom, “Mining Surprising Patterns using Temporal Description Length,” In Proc. of 24th VLDB, pp.606-617, 1998
  3. Young Jin Jung and Keun Ho Ryu. Design and Implementation of a SQL based Moving Object Query Process System for Controling Transportation Vehicle, The KIPS Transactions : Part D, Vol.12-D, No.5, pp.699-708, 2005
  4. N.Meratnia & R.A.D. By, “Aggregation and Comparison of Trajectories,” In proc. of 10th ACM Int'l.Symp. on GIS, pp.49-54, 2002 https://doi.org/10.1145/585147.585158
  5. H.Yun, D.Ha, B.Hwang, K.H.Ryu, “Mining association rules on significant rare data using relative support,” Journal of System and Software, Vol.67, Issue.3, pp. 181-191, 2003 https://doi.org/10.1016/S0164-1212(02)00128-0
  6. J.F.Roddick & M.Spiliopoulou, “A Survey of Temporal Knowledge Discovery Paradigms and Methods,” IEEE Trans. on Knowledge and Data Engineering, Vol.14, Issue.4, pp.750-767, 2002 https://doi.org/10.1109/TKDE.2002.1019212
  7. R.Srikant & R. Agrawal, “Mining Sequential Patterns: Generalizations and Performance Improvements,” in Proc. Int'l Conf. EDBT, 1996
  8. I.Tsoukatos & D.Gunopulos, “Efficient Mining of Spatiotemporal Patterns,” In Poc. On SSTD, LNCS, 2001 https://doi.org/10.1007/3-540-47724-1_22
  9. Jeong Seok Park, Young Jin Jung, Moon Sun Shin, and Keun Ho Ryu, A Moving Object Query Process System for Mobile Recommendation Service, The KIPS Transactions : Part D, Vol.14-D, No.7, pp.707-718, 2007 https://doi.org/10.3745/KIPSTD.2007.14-D.7.707
  10. J.W.Lee, O.H.Paek & K.H Ryu, “Temporal Moving Pattern for Location-Based Service,” Journal of system and software, 2004 https://doi.org/10.1016/j.jss.2003.09.021
  11. J.W. Lee, Y.J.Lee, H.K.Kim, B.H.Hwang & K.H.Ryu, “Discovering Temporal Relation Rules from Interval Data,” In Proc. of EurAsia-ICT, LNCS, pp.57-66, 2002
  12. M.Zaki, “SPADE: An efficient Algorithm for Mining Frequent Sequences,” Machine learning Journal, Vol. 42, Issue.1-2, pp.31-60, 2001 https://doi.org/10.1023/A:1007652502315
  13. J.Hipp, U.Guntzer, G.Nakhaeizadeh, “Algorithms for association rule mining- A general survey and comparison,” ACM SIGMOD, Vol.2, Issue.1, pp.58-64, 2000 https://doi.org/10.1145/360402.360421
  14. R. Agrawal, T. Imilienski, and A., “Swami, Mining Association Rules between Sets of Items in Large Databases,” In Proceeding of ACM SIGMOD, pp.207-216, 1993 https://doi.org/10.1145/170035.170072
  15. M. J. Zaki, S. Parthasarathy, M. Ogihara, and W. Li, “New Algorithms for Fast Discovery of Association Rules,” In Proceeding of KDD, pp.283-286, 1997
  16. J. Han, J. Pei and Y . Yin, “Mining frequent patterns without candidate generation,” In Proceeding of ACM SIGMOD, pp.1-12, 2000 https://doi.org/10.1145/342009.335372