روشی برای کشف قوانین وابستگی در پایگاه داده های زمانی با استفاده  از گراف رابطه و الگوی تقویمی

در دو دهه قبل توانایی های فنی بشر برای تولید و جمع آوری داده ها به سرعت افزایش یافته است.بطور کلی استفاده همگانی از وب و اینترنت ما را مواجه با حجم زیادی از داده و اطلاعات می کند. این رشد انفجاری در داده های ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند. داده کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. داده کاوی را می توان عمل استخراج اطلاعات پنهان در یک پایگاه داده ی بزرگ تعریف کرد. داده کاوی به تحلیلگران برای پیدا کردن الگوها و روابط بین داده ها کمک می کند. یکی از مهمترین زمینه های داده کاوی کشف قوانین وابستگی یا Association Rules mining می باشد که هدف از آن یافتن قوانین الگوهای پنهان در بین حجم زیادی از داده ها است.همچنین چگونگی کاوش در بین داده هایی که حاوی اطلاعات زمانی هستند به عنوان یک مساله مهم در امر داده کاوی مطرح است. از آن جایی که بعضی از اقلام داده در کل پایگاه داده به وفور تکرار نمی شوند، در صورتی که در یک بازه زمانی دارای درج ه پشتیبانی بالایی هستند، Temporal Association Rules mining به کشف قوانین موجود در یک باز ه زمانی در پایگاه داده می پردازند. یکی از مسائل مهم در زمینه کاوش در داده های زمانی چگونگی تقسیم بندی داده ها به بازه های زمانی می باشد. در این مقاله با ارائه روشی که از الگوی تقویمی برای مشخص کردن بازه های زمانی استفاده می کند و ترکیب آن با روشی که از گراف رابطه بین اجزای پایگاه داده استفاده می کند به استخراج قوانین موجود در این بازه های زمانی پرداخته می شود.

کلیدواژه ها:

Temporal rules ، Association Rules ، Calendar based Association Rules ، Support ، Confidence