Phát hiện luật kết hợp liên kết chuỗi thời gian từ cơ sở dữ liệu định lượng có yếu tố thời gian

ểu (min_conf) min_conf min_supp 0.60 0.65 0.70 0.75 0.80 0.85 0.15 1676 1655 1481 1028 501 131 0.17 615 594 490 291 130 23 0.20 195 177 137 61 18 1 0.25 41 32 17 4 0 0 0.30 9 9 5 0 0 0 0.33 1 1 1 0 0 0 78 TRNG I HC TH  H NI Dựa vào bảng 4, hình 1 là biểu đồ thể hiện mối quan hệ giữa độ tin cậy cực tiểu và số luật sinh ra với các độ hỗ trợ cực tiểu khác nhau. Từ hình 1, ta thấy số lượng các luật giảm mạnh khi độ tin cậy cực tiểu tăng dần đối với cùng độ hỗ trợ cực tiểu thấp. Khi độ hỗ trợ cực tiểu cao thì mối quan hệ giữa số luật và độ tin cậy cực tiểu trở nên mịn hơn. Hình 1. Biểu đồ thể hiện mối quan hệ giữa độ tin cậy cực tiểu min_conf và số luật sinh ra với các độ hỗ trợ cực tiểu khác nhau Tiếp theo, hình 2 mô tả mối quan hệ giữa số lượng luật sinh ra và độ hỗ trợ cực tiểu đối với các độ tin cậy cực tiểu khác nhau. Hình 2, số lượng luật tăng nhanh khi độ hỗ trợ giảm. Hình 2. Biểu đồ thể hiện mối quan hệ giữa độ hỗ trợ cực tiểu min_supp và số luật sinh ra với các độ hỗ trợ cực tiểu khác nhau Cuối cùng, mối quan hệ giữa chi phí thời gian thực hiện thuật toán và độ hỗ trợ cực tiểu ứng với độ tin cậy cực tiểu là 0.6 được thể hiện như trong bảng 5 và hình 3. TP CH KHOA HC − S 8/2016 79 Bảng 5. Mối quan hệ giữa thời gian chực hiện và độ hỗ trợ cực tiểu với min_conf=0.6 Độ hỗ trợ cực tiểu Thời gian thực hiện (s) 0.15 118.01 0.17 50.14 0.20 17.909 0.25 6.306 0.30 3.179 0.33 3.565 Hình 3. Biểu đồ thể hiện mối quan hệ về thời gian thực hiện và độ hỗ trợ cực tiểu ứng với độ tin cậy cực tiểu min_conf=0.6 Từ hình 3, ta thấy chi phí thời gian tăng rất nhanh khi giảm độ hỗ trợ cực tiểu. Điều này là hợp lí do khi giảm độ hỗ trợ cực tiểu thì số lượng tập phổ biến được sinh ra sẽ tăng theo rất nhanh. 5. KẾT LUẬN Bài báo đã đề xuất thuật toán FTIQ-ARM nhằm phát hiện các luật liên kết thời gian mờ phổ biến từ cơ sở dữ liệu định lượng có yếu tố thời gian. Thuật toán FTIQ-ARM được cải tiến từ thuật toán Apriori để tìm các chuỗi liên kết mờ thời gian phổ biến. Bài báo đã trình bày thuật toán dưới dạng giả mã. Kết quả thực nghiệm đã chỉ ra mối quan hệ giữa số lượng các luật kết quả và độ hỗ trợ cực tiểu, độ tin cậy cực tiểu cũng như thời gian thực hiện. Nghiên cứu của bài báo đã góp phần giải quyết vấn đề phát hiện các mối quan hệ về thời gian giữa các sự kiện trong cơ sở dữ liệu định lượng có yếu tố thời gian. 80 TRNG I HC TH  H NI TÀI LIỆU THAM KHẢO 1. R. Agrawal, T. Imielinski, A.Swami, "Mining association rules between sets of items in large database", In: P.Buneman, S. Jajodia eds. Proc. of 1993 ACM SIGMOD Conf on Management of Data. Washington DC: ACM Press, 1993. pp.207-216. 2. R. Agrawal, R. Srikant (1994), "Fast algorithms for mining association rules", In: J.Bocca, M.Jarke, C.Zaniolo eds. Proc. of the 20th Int’l Conf on Very Large DataBases (VLDB’94), Santiago: Morgan Kaufmann, pp. 487-499. 3. Y. L. Chen, M. C. Chiang, and M. T. Ko (2003), "Discovering time-interval sequential patterns in sequence databases", Expert Syst. Applicat., vol. 25, no. 3, pp.343-354. 4. Yen-Liang Chen, Cheng-Kui Huang (2005), "Discovering fuzzy time-interval sequential patterns in sequence databases", IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics 35, pp.959-972. 5. Attila Gyenesei (2000), "A Fuzzy Aproach for Mining Quantitative Association Rules", Turku Centre for Computer Sciences, TUCS Technical Report, No 336. 6. Kuod. M, Ada. P (1998), "Mining Fuzzy Association Rules", In SIGMOD Record, 27(1). 7. L. Qin, P. Luo, Z. Shi (2004), "Efficiently mining frequent itemsets with compact FP-tree". In: Z.Shi and Q.He eds. Proc. of Int’l Conf. on Intelligent Information Processing 2004 (IIP2004), Beijing, China. Springer Press, pp.397-406. 8. UCI-Machine Learning Repository, 9. Liang-Xi Qin, Zhong-Zhi Shi (2006), "Efficiently mining association rules from time series", International Journal of Information Technology, Vol.12 No.4. pp.30-38. 10. Saravanan, M.S.; Sree, R.J.R (2011), "A Simple Process model generation using a new Association Rule Mining algorithm and Clustering Approach", Advanced Computing (ICoAC), 2011 Third International Conference on Digital Object Identifier, pp.265-269. 11. R. Srikant and R. Agrawal (1995), "Mining Sequential Patterns", Proc. of the 11th Int’l Conference on Data Engineering, Taipei, Taiwan. 12. Zadeh, L. A. (1995), "Fuzzy sets", Information and Control, Vol. 8, pp.338-353. 13. M. J. Zaki and C.-J. Hsiao (1999), "CHARM: An efficient algorithm for closed association rule mining", Technical Report 99-10, Computer Science Dept., Rensselaer Polytechnic Institute, October.. 14. Sumathi, R. and Kirubakaran, E. (2012), "Architectural perspective of parallelizing association rule mining", Advances in Engineering, Science and Management (ICAESM), International Conference, pp.437-442. 15. Yi-Chung Hu, Gwo-Hshiung Tzeng, Chin-Mi Chen, "Deriving two-stage learning sequences from knowledge in fuzzy sequential pattern mining", Information Sciences 159 (2004), pp.69-86. 16. Fu A, Wong MH, Sze SC, Wong WC, Wong WL, Yu WK (1998) "Finding fuzzy sets for the mining of fuzzy association rules for numerical attributes", In: IDEAL-98, 1st International symposium on intelligent data engineering and learning, Hong Kong, pp.263-268. 17. Shu-Yue J, Tsang E, Yengg D, Daming S (2000) "Mining fuzzy association rules with weighted items". In: Proceedings of the IEEE international conference on systems, man, and cybernetics. Nashville, TN, pp.1906-1911. TP CH KHOA HC − S 8/2016 81 18. Chung-I Chang; Hao-En Chueh; Lin, N.P. "Sequential Patterns Mining with Fuzzy Time- Intervals", Fuzzy Systems and Knowledge Discovery, 2009. FSKD '09. Sixth International Conference on, On page(s): 165-169 Volume: 3, 14-16 Aug, 2009. 19. W. H. Au and K. C. C. Chan, "FARM: A data mining system for discovering fuzzy association rules", Proc. FUZZ IEEE, vol. 3, pp.22-25, 1999. 20. W. Zhang (1999), "Mining fuzzy quantitative association rules", Proc. 11th Int. Conf. Tools Artificial Intelligence, pp.99-102. 21. Chung-I Chang; Hao-En Chueh; Yu-Chun Luo (2013), "An integrated sequential patterns mining with fuzzy time-intervals", Systems and Informatics (ICSAI), International Conference on, On page(s): 2294 – 2298 22. Weng, Cheng-Hsiung; Chen, Yen-Liang (2010), "Mining fuzzy association rules from uncertain data", Knowledge and Information Systems, Volume.23, Issue.2, pp.129. 23. CHANG, Joong Hyuk; PARK, Nam Hun (2013), "Finding Interesting Sequential Patterns in Sequence Data Streams via a Time-Interval Weighting Approach", IEICE Transactions on Information and Systems, Volume.E96.D, Issue.8, pp.1734. 24. Chang JH (2011) "Mining weighted sequential patterns in a sequence database with a time- interval weight", Know Based Syst 24(1):1-9. 25. Moskovitch R, Walsh C, Hripsack G, Tatonetti N (2014) "Prediction of biomedical events via time intervals mining", ACM KDD Workshop on Connected Health in Big Data Era, NY, USA. 26. C.H. Chen, T.P. Hong, and V.S. Tseng (2012), "Fuzzy data mining for time-series data", Appl. Soft Comput., 12(1):536-542. OPTICAL MODES IN A FREE STANDING QUANTUM WIRE Abstract: A continuum model is employed to describe the allowed longitudinal-optical (LO) phonons of a cylin-drical free-standing GaAs wire. The confinement of optical modes in a quantum wire of polar material is described by a theory involving the triple hybridization of LO, transverse optical (TO) phonon, and IP (interface polariton) modes. In this work, we tried to calculate the LO, TO, and IP modes in a quantum wire using conditions of both mechanical and electromagnetic boundary. Keywords: LO, TO, IP, mechanical and electromagnetic boundary.