KOPS - Das Institutionelle Repositorium der Universität Konstanz

Mustergraphen : Klassifikation von multivariaten Zeitreihen auf Basis von Intervallsequenzen

Mustergraphen : Klassifikation von multivariaten Zeitreihen auf Basis von Intervallsequenzen

Zitieren

Dateien zu dieser Ressource

Prüfsumme: MD5:68fcc41c300e4355e8c30a65cc779c6c

PETER, Sebastian, 2014. Mustergraphen : Klassifikation von multivariaten Zeitreihen auf Basis von Intervallsequenzen

@phdthesis{Peter2014Muste-28587, title={Mustergraphen : Klassifikation von multivariaten Zeitreihen auf Basis von Intervallsequenzen}, year={2014}, author={Peter, Sebastian}, address={Konstanz}, school={Universität Konstanz} }

2014 2014-07-29T07:57:55Z deu deposit-license Mustergraphen : Klassifikation von multivariaten Zeitreihen auf Basis von Intervallsequenzen Peter, Sebastian Pattern Graphs : Classification of Multivariate Time Series Based on Intervalsequences 2014-07-29T07:57:55Z Peter, Sebastian Diese Arbeit beschäftigt sich mit der Klassifikation von<br />multivariaten Zeitreihen auf der Grundlage von Intervallsequenzen.<br />Ein Beispiel für diese Klassifikation ist die Wettervorhersage und die<br />Fragestellung, ob es am morgigen Tag regnet oder nicht:<br />Dazu werden mehrere Eigenschaften (multivariat), z.B. Windstärke und<br />Temperatur, minütlich aufgezeichnet (Zeitreihe), so dass zur Vorhersage die<br />Messungen der vergangen 24 Stunden verwendet werden können. Zusätzlich werden<br />diese Daten in Intervalle, z.B. "von 8 Uhr bis 12 Uhr ist die Temperatur<br />stark angestiegen" oder "von 8 bis 9 Uhr kam der Wind aus Nordosten",<br />überführt und bilden somit die Intervallsequenz.<br /><br /><br /><br />Viele verwandte Verfahren setzen für diese Art der Klassifikation musterbasierte<br />Ansätze ein, die jedoch wesentliche Situationen in den Datensätzen, wie<br />beispielsweise konkrete Zeitspannen oder die Abwesenheit von Intervallen, nicht<br />behandeln können und somit essentielle Kriterien nicht in den<br />Entscheidungsprozess einbeziehen. Überdies gehen bei der Überführung von<br />Zeitreihen in Intervallsequenzen häufig Informationen verloren, da diese<br />Vorverarbeitung sehr komplex und somit fehleranfällig ist. Aus diesen Gründen<br />wird<br />der Mustergraph, eine flexible und mächtige Mustersprache, vorgestellt, der in<br />der Lage ist, diese essentiellen Eigenschaften auszudrücken, da er unter anderem<br />Konstrukte für die Spezifikation von konkreten Zeitspannen und der Abwesenheit<br />von Intervallen besitzt. Zusätzlich ist der Mustergraph als erstes Verfahren in<br />der Lage, Intervallsequenzen in Kombination mit den dazugehörigen multivariaten<br />Zeitreihen zu beschreiben. Dabei wird die Intervallsequenz als<br />Grundlage verwendet und anschließend mit detaillierten Informationen der<br />Zeitreihen angereichert. Auf diese<br />Weise entsteht ein verständliches Muster, das einem Experten die Möglichkeit<br />gibt, die Klassifikation zu verstehen und somit Wissen über die Daten zu<br />erlangen.<br /><br /><br /><br />Die Arbeit gibt einen umfangreichen Überblick über die verwandten Verfahren<br />und zeigt deren Eigenschaften, insbesondere der Schwachstellen, im Detail<br />auf, bevor der Mustergraph vorgestellt wird. Zusätzlich wird das<br />Matching-Verfahren vorgestellt, das für eine gegebene Sequenz alle Vorkommen<br />des Mustergraphens in der Sequenz ermittelt. Dabei werden zunächst die einzelnen<br />Anforderungen des Musters lokal betrachtet, um anschließend aus den lokalen<br />Ergebnissen die vollständigen Vorkommen zu konstruieren. Aufbauend auf dem<br />Matchingalgorithmus wird ein heuristischer zwei Phasen-Lernalgorithmus<br />vorgestellt: In der ersten Phase ermittelt der Algorithmus die<br />Gemeinsamkeiten der Klasse und unterstützt auf dieser Weise den Beamsearch in<br />der zweiten Phase. Der Beamsearch besteht aus mehreren Verfeinerungsoperatoren,<br />die jeweils eine neue Anforderung an die Sequenz in den Mustergraphen aufnehmen,<br />um die Klassen voneinander zu trennen.<br /><br /><br /><br />Abgeschlossen wird die Arbeit mit der Evaluation der Mustergraphen anhand einer<br />Vielzahl von künstlichen sowie realen Datensätzen. Dabei wird herausgestellt,<br />dass der Mustergraph in der Lage ist, verrauschte Daten zu bearbeiten, für<br />den Experten verständliche Muster zu liefern und dass er im Vergleich zu<br />verwandten musterbasierten Verfahren auf Grund seiner zusätzlichen Konstrukte<br />statistisch signifikante bessere Klassifikationsleistungen besitzt.

Dateiabrufe seit 01.10.2014 (Informationen über die Zugriffsstatistik)

Peter_285870.pdf 119

Das Dokument erscheint in:

KOPS Suche


Stöbern

Mein Benutzerkonto