Εξόρυξη δεδομένων σε πολυδιάστατες χρονοσειρές

Δαγκλής, Χρήστος

dc.contributor.advisor	Πελέκης, Νικόλαος
dc.contributor.author	Δαγκλής, Χρήστος
dc.date.accessioned	2021-01-19T08:40:04Z
dc.date.available	2021-01-19T08:40:04Z
dc.date.issued	2020
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/13187
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/610
dc.description.abstract	Στην εποχή που ζούμε, καθημερινά αναπαράγονται, ενημερώνονται και αποθηκεύονται δεδομένα χρονοσειρών σε διάφορες βάσεις δεδομένων. Τα δεδομένα χρονοσειρών που συλλέγονται, πέρα από το γεγονός ότι αυξάνονται μέρα με τη μέρα, τείνουν να αποκτούν πολυδιάστατη μορφή. Με αυτό τον τρόπο δημιουργούνται πολυδιάστατες χρονοσειρές που απαιτούν νέους και καλύτερους τρόπους εξόρυξης, ευρετηρίασης και αναζήτησης. Σε αυτήν την εργασία περιγράφουμε υπάρχοντες τεχνικές της οικογένειας iSAX που χρησιμοποιούνται για εργασίες εξόρυξης μονοδιάστατων χρονοσειρών. Για εργασίες εξόρυξης πολυδιάστατων χρονοσειρών περιγράφουμε και χρησιμοποιούμε μία υπάρχουσα μέθοδο, που αποτελεί επέκταση των προηγούμενων τεχνικών και ονομάζεται hyperSAX. Για να δείξουμε τη χρησιμότητά της, η τεχνική hyperSAX εφαρμόζεται για εργασίες ευρετηρίασης και αναζήτησης ομοιότητας σε δισδιάστατες χρονοσειρές και μετριέται ο χρόνος δημιουργίας του ευρετηρίου.	el
dc.format.extent	52	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.title	Εξόρυξη δεδομένων σε πολυδιάστατες χρονοσειρές	el
dc.title.alternative	Mining multi-dimensional timeseries	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	In our day, time series data is reproduced, updated and stored daily in various databases. The time series data collected, in addition to the fact that they are increasing day by day, tend to take on a multidimensional form. In this way, multidimensional time series are created that require new and better ways of data mining, indexing and searching. In this work we describe existing techniques of the iSAX family, used for one-dimensional time series data mining operations. For multidimensional time series data mining operations, we describe and use an existing method, which is an extension of the previous techniques, called hyperSAX. To demonstrate its usefulness, the hyperSAX technique is applied to two-dimensional time series for indexing and similarity search operations and the time it takes to build the index is measured.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Data mining	el
dc.subject.keyword	Εξόρυξη δεδομένων	el
dc.date.defense	2020-11-30

Files in this item

Name:: Daglis_17011.pdf
Size:: 1.160Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Show simple item record

Except where otherwise noted, this item's license is described as
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές