هدی معمارزاده - دانشجوی کارشناسی ارشد نرم افزار ، دانشگاه آزاد اسلامی واحد نجف آباد-اص
محمدرضا خیام باشی - عضو هیئت علمی گروه کامپیوتر- دانشکده فنی مهندسی – دانشگاه اصفهان
محمدحسین سرایی - عضو هیئت علمی گروه کامپیوتر- دانشکده برق و کامپیوتر – دانشگاه صنعتی ا

کشف الگوهای ترتیبی پر بسامد از مهمترین روشهای داده کاوی محسوب می شود. الگوی استخراج شده، معرف زنجیره ای از رویدادهای ثبت شده در زمانهای مختلف است و برای پیش بینی عملکرد سایر موجودیت هایی که رفتار مشابهی دارند استفاده شود. الگوریتم هایی که در این رابطه ارائه شده است در دو گروه طبقه بندی می شود: در گروه اول روشهای مبتنی بر کاوش قوانین وابستگی قرار دارند و گروه دوم شامل روشهایی است که با استفاده از ساختارهای منظم، روابط بین الگوها را نشان می دهند. از جمله کاراترین ساختارهای مورد بررسی در گروه دوم گراف است که در آن نودها معرف رویدادها بوده و یالها بیان کننده ارتباط بین آنها هستند. این ارتباط که شامل ترتیب اتفاق افتادن رویدادهاست می تواند در بردارنده اطلاعاتی درخصوص فاصله نسبی بین رویداد های مختلف نیز باشد. در این مطالعه دو روش تولید گراف برای نمایشالگوهای ترتیبی پر بسامد مورد بررسی قرار گرفته است. تفاوت این دو، در توصیف قوانین رابطه ای زمانی بین رویداد هاست. در روش اول، مفاهیم ارائه شده در جبرAllenدر توصیف رابطه زمانی بین دو رویداد به کارگرفته شده و از داده های زماندار برای تولید این قوانین استفاده می شود. در روش دوم که نوع توسعه یافته ای از الگوریتمAprioriاست رابطه زمانی بین دو رویداد با استفاده از محدوده های زمانی از پیشتعیین شده توسط کاربر ارائه و الگوهای موجود از طریق جستجوی گراف استخراج می شوند. برای هر روش از مثال کاربردی استفاده شده است. هدف اصلی ، استخراج پربسامدترین دنباله های علائم بالینی مشاهده شده ای است که در نهایت به تشخیص یک بیماری خاصمنجر شده اند. در این تحقیق نشان داده شده که گراف تولید شده از طریق الگوریتم توسعه یافته Aprioriبه دلیل داشتن اطلاعات بیشتر درباره فاصله زمانی از قابلیت پیشبینی بالاتری برخوردار است.

الگوهای ترتیبی پر بسامد، قوانین رابطه ای زمانی، فاصله زمانی، روشهای جستجوی گراف