I. Giới thiệu về dữ liệu chuỗi thời gian
Dữ liệu chuỗi thời gian là một loại dữ liệu được thu thập theo thời gian, thường có kích thước lớn và gia tăng nhanh chóng. Việc khai thác thông tin từ dữ liệu này là rất quan trọng trong nhiều lĩnh vực như tài chính, y tế và khoa học. Nhận dạng motif và bất thường chuỗi thời gian là hai nhiệm vụ chính trong phân tích dữ liệu chuỗi thời gian. Motif là những chuỗi con tương tự xuất hiện nhiều lần, trong khi bất thường là những chuỗi con chỉ xuất hiện một lần và khác biệt nhất. Các giải thuật khai phá dữ liệu chuỗi thời gian phải đối mặt với chi phí lớn về thời gian và tài nguyên bộ nhớ. Do đó, nghiên cứu các phương pháp hiệu quả để khai thác dữ liệu chuỗi thời gian ngày càng trở nên quan trọng.
II. Khai phá motif và bất thường
Khai phá motif và bất thường là hai nhiệm vụ quan trọng trong phân tích dữ liệu chuỗi thời gian. Kỹ thuật băm được sử dụng để tối ưu hóa quá trình này. Motif được xác định là những chuỗi con tương tự nhau xuất hiện lặp đi lặp lại, trong khi bất thường là những chuỗi con khác biệt nhất. Việc phát hiện motif chính xác thường yêu cầu xử lý trực tiếp trên dữ liệu thô, trong khi phát hiện bất thường có thể sử dụng các phương pháp xấp xỉ. Giải thuật FMG (Feature Match Grouping) được đề xuất trong luận văn này nhằm giải quyết cả hai nhiệm vụ này một cách hiệu quả.
III. Phương pháp giải quyết vấn đề
Giải thuật FMG được phát triển để vừa khai phá motif vừa phát hiện bất thường trong dữ liệu chuỗi thời gian. Quá trình bắt đầu bằng việc chuẩn hóa dữ liệu thô, sau đó thực hiện thu giảm số chiều và rời rạc hóa. Sử dụng cửa sổ trượt, các chuỗi con được sinh ra và lưu trữ trong bảng băm. Các thùng băm lớn nhất sẽ chứa các ứng viên motif, trong khi các thùng chỉ chứa một đặc trưng sẽ là ứng viên bất thường. Giải thuật này cho phép phát hiện motif và bất thường trong thời gian tuyến tính, giúp tiết kiệm tài nguyên bộ nhớ.
IV. Kết quả thực nghiệm
Kết quả thực nghiệm cho thấy giải thuật FMG vượt trội hơn so với các giải thuật khác như Random Projection và HOTSAX trong việc phát hiện motif và bất thường. Các thử nghiệm được thực hiện trên nhiều loại dữ liệu khác nhau như ECG, EEG và dữ liệu chứng khoán. Giải thuật FMG không chỉ cải thiện độ chính xác mà còn giảm thiểu thời gian xử lý, cho thấy tính khả thi và hiệu quả trong ứng dụng thực tế.
V. Ý nghĩa và ứng dụng thực tiễn
Luận văn này không chỉ đóng góp vào lý thuyết về nhận dạng motif và bất thường chuỗi thời gian, mà còn cung cấp một giải pháp thực tiễn cho các vấn đề trong phân tích dữ liệu lớn. Giải thuật FMG có thể được áp dụng trong nhiều lĩnh vực như tài chính, y tế và an ninh mạng, nơi mà việc phát hiện các mẫu và bất thường là rất quan trọng. Việc phát triển các phương pháp hiệu quả để xử lý dữ liệu lớn sẽ giúp cải thiện khả năng ra quyết định và dự đoán trong các lĩnh vực này.
