عنوان ترجمه شده مقاله: تحلیل مؤلفه‌ی اساسی مبتنی بر غیر هم زمانی، برای داده‌کاوی سری‌های زمانی

اصولاً از روش تحلیل مؤلفه‌های اساسی (PCA) به منظور حل مسئله‌ی کاهش بعد در داده‌کاوی سری‌های زمانی استفاده می‌گردد. اگرچه مبادی و اصول PCA بر مبنای کوواریانس سنکرون ( همزمان) بوده که در بعضی موارد، عملکرد کارآمدی را از خود نشان نمی‌دهد. در این مقاله، راهکاری تحت عنوان تحلیل مؤلفه‌ی اساسی مبتنی بر غیر هم زمانی (APCA) ارائه می‌گردد تا به وسیله‌ی آن به کاهش بعد سری‌ های زمانی تک متغیره بپردازیم. در فرآیند APCA، یک روش ناهمگام مبتنی بر کش و قوس زمانی پویا ( یا به عبارتی تاب دادن زمان هوشمند) توسعه پیدا کرده تا بتوان سری‌های زمانیِ درون یابی شده را که برگرفته از سری‌های زمانی اصلی می‌باشند به دست آورد. ضریب هم بستگی و یا کوواریانس بین سری‌های زمانی درون یابی شده، نشان‌دهنده‌ی هم بستگی بین سری‌های زمانی اصلی می‌باشد. در همین راستا، یک راهکار جدید و معتبری تحت عنوان تحلیل مؤلفه‌های اساسی مبتنی بر کوواریانس ناهمگام را به دست خواهیم آورد که می‌تواند برای کاهش بعد بکار گرفته شود. نتایج حاصله از چندین آزمایش، نشان از عملکرد برتر روش APCA برای کاهش بعد و آن‌هم در حوزه‌ی داده‌کاوی سری‌های زمانی دارد.

1-مقدمه

سری‌های زمانی را می‌توان یکی از حوزه‌های پژوهشی بسیار مهم در علم داده‌کاوی دانست. تکنیک‌هایی که در این داده‌ها بکار گرفته می‌شوند را داده‌کاوی سری‌های زمانی (TSDM) گویند ( آقای السینگ و آگون 2012 میلادی). با این حال، با توجه به اینکه تکنیک‌های داده‌کاوی معمول از عملکردی ناکارآمد بر روی تعداد بالایی از ابعاد سری‌های زمانی برخوردار می‌باشند، روش‌هایی در جهت کاهش بعد این سری‌های زمانی ارائه گردیده است… 

میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.