|
12.07.2010.
Prijavite se na radionicu: "Inteligentno upravljanje portfeljem korisnika", koju će održati dr.sc. Goran Klepac, u organizaciji poduzeća "Comminus".
18.05.2010.
Sadržaj knjige: "Data Mining in Public and Private Sectors: Organizational and Government Applications".
Više o poglavlju u knjizi kojem je autor dr.sc. Goran Klepac: "Preparing for New Competition in the Retail Industry".
17.03.2010.
U izdanju poznate američke izdavačke kuće koja se bavi izdavanjem knjiga iz područja informacijskih znanosti (computer science) IGI global, krajem travnja 2010. izlazi knjiga: "Data Mining in Public and Private Sectors: Organizational and Government Applications", Antti Syvajarvi (Editor), Jari Stenvall (Editor), gdje je dr.sc. Goran Klepac jedan od koautora u knjizi.
Knjigu možete naručiti na www.amazon.com
06.09.2009.
Dr.sc. Goran Klepac će 11.09.2009. i 12.09.2009. održati predavanja na poslijediplomskom doktorskom studiju (FOI) iz predmeta Metode razvoja i istraživanje sustava poslovne inteligencije.
12.08.2009.
Na site je dodan tekst sa
praktičnim savjetim za razvoj ekspertnih sustava (PDF)
24.07.2009.
U zadnjem kvartalu 2009. godine izlazi knjiga na engleskom jeziku, radnog naslova: "Handbook of Research on Data Mining in Public and Private Sectors: Organizational and Government Applications", u izdanju izdavačke kuće
IGI global.
Jedan od koautora u knjizi je i dr.sc. Goran Klepac.
13.06.2009.
Na stranici DM software i linkovi (pod kategorijom "softver") možete pronaći novi link na softver za samoorganizirajuće mape, koji u demo verziji može biti koristan za razumijevanje ove vrste neuronskih mreža.
Uskoro će na ovome site-u biti objavljen tekst sa praktičnim savjetima za uspješan razvoj i implementaciju fuzzy ekspertnih sustava.
24.03.2009.
Na BI or not BI: Business survival kit seminaru (Zagreb, 25. ožujka 2009.), u organizaciji poduzeća CRMT, dr.sc. Goran Klepac održati će predavaje pod naslovom:" Inteligentno upravljanje portfeljem pomoću metoda data mininga".
Predavanje će se osvrnuti na ulogu metoda data mininga u svakodnevnom poslovanju, kao i promjenu karaktera metoda data mininga u uvjetima recesije. Na predavanju će biti prikazan ilustrativan primjer upravljanja trgovačkim portfeljem pomoću metoda data mininga u uvjetima recesije. Predavanje će posebnu pažnju posvetiti kreiranju sustava ranog upozorenja i sustava monitoriranja portfelja u službi potpore poslovnom odlučivanju.
09.03.2009.
Na 2. Međunarodnoj konferenciji o korporativnoj sigurnosti (Zagreb, 2. travnja 2009.) dr.sc. Goran Klepac će održati predavaje pod naslovom "Upravljanje portfeljem u uvjetima krize".
Predavanje će se osvrnuti na vrste portfelja s obzirom na različite grane gospodarstva te njihove specifičnosti u upravljanju s obzirom na tržišne uvjete poput recesije i konkurentske tržišne utakmice.
Predavanje će dati odgovor na pitanje što karakterizira upravljanje portfeljem u uvjetima krize, i kako nam u tome mogu pomoći metode data mininga.
Prezentirat će se metodologija primjene scenario analiza pomoću metoda data mininga, koja bi trebala biti podrška strateškom poslovnom odlučivanju.
Prikazat će se metodologija segmentacije pomoću tehnika data mininga prema kriteriju rizičnosti, i objasniti porast njenog značaja u uvjetima tržišne krize.
Na predavanju će također biti prikazan model cjelovitog sustava koji se temelji na tehnikama data mininga a koji služi kao potpora poslovnom odlučivanju u uvjetima tržišne krize.
27.02.2009.
U časopisu Financijska teorija i praksa br. 4/2008 objavljen je rad dr.sc. Gorana Klepca: Model osjetljivosti portfelja za analizu kreditnog rizika uzrokovanog strukturnim i makroekonomskim promjenama.
20.12.2008.
Objavljena je knjiga : "Credit Scoring - Concepts, Perspectives and Models"; editors: Ravi Kumar, Jain B; The Icfai University Press, India, 2008, ISBN: 978-81-314-1577-1. Klepac Goran je autor jednog poglavlja u knjizi.
Knjigu "Credit Scoring - Concepts, Perspectives and Models" možete naručiti ovdje.
03.10.2008.
10.09. - 12. 09. i od 01.10.-03.10.2008. dr. sc. Goran Klepac održao je seminare "Primjena data mining metoda u bankarstvu za analitičare" u organizaciji RBA.
08.09.2008.
Na predstojećoj 13. HrOUG konferenciji mr.sc. Leo Mršić održat će predavanje na temu tehničkog rješenja programa vjernosti Lantea Grupe: PremiumClub. Raspored svih događanja pogledajte ovdje.
28.08.2008.
dr.sc. Goran Klepac je jedan od predavača a mr.sc. Leo Mršić suradnik na kolegiju "Sustavi potpore odlučivanju ", u Visokoj školi za računarstvo.
12.07.2008.
Na predstojećoj Oracle Open World (OOW) konferenciji u San Franciscu, SAD od 21. do 25.09.2008. mr.sc. Leo Mršić održat će predavanje na temu projekta PremiumClub Lantea Grupe. Više o OOW konferenciji na stranicama konferencije. Detalji predavanja na ovoj adresi. Pregledajte sve prijavljene radove na ovoj adresi.
10.07.2008.
Pogledajte članak iz časopisa Info.ba vezano uz Oracle event u Sarajevu na kojem su sudjelovali dr.sc. Goran Klepac i mr.sc. Leo Mršić [članak, PDF, 200kb]
22.06.2008.
Dr.sc. Goran Klepac će 28.06.2008. održati predavanje na poslijediplomskom doktorskom studiju "Informacijske znanosti" na Fakultetu organizacije i informatike u okviru nositeljstva predmeta "Metode razvoja i istraživanje sustava poslovne inteligencije".
16.06.2008.
12. i 13. lipnja 2008. dr. sc. Goran Klepac održao je seminar "Primjena data mining metoda u bankarstvu" u organizaciji RBA.
Nove tekstove iz područja data mininga možete pronaći ovdje.
09.06.2008.
Goran Klepac i Leo Mršić su 04.06.2008. u organizaciji Oracle BIH, održali seminar u Sarajevu.
Seminar je prikazao problematiku primjene poslovne inteligencije u svakodnevnom poslovanju s managerske perspektive.
04.04.2007.
Pogledajte recenziju knjige "Poslovna inteligencija kroz poslovne slučajeve" (Vip poslovni magazin, 04.04.2007.)
04.01.2007.
Pogledajte recenziju knjige "Poslovna inteligencija kroz poslovne slučajeve" (Lider, 29.12.2006.)
06.12.2006.
Rezultate ankete (12 polaznika) uspješno završenog seminara u okviru DSA možete vidjeti ovdje.
Vi se također možete prijaviti na naredni seminar.
|
|
Sažetak
REF II model predstavlja novi pristup u analizi vremenskih serija, koji se oslanja na jedinstveni model transformacije vremenske serije. Prednost ovakvog pristupa očituje se u mogučnosti integracije čitavog niza analitičkih postupaka nad vremenskom serijom, mogučnost ulančavanja postupaka analize nad vremenskom serijom, te integraciju metoda data mininga unutar vremenskih serija, što dosadašnjom poznatom metodologijom nije bio slučaj, upravo iz razloga što se zanemaruje važnost modela transformacije.
Dosadašnji znanstveni radovi upučuju na taj problem i uglavnom rješavanje ovog problema uvjetuju razvojem močnije hardverske podrške.REFII model rješava probleme ulančavanja metoda za analizu vremenskih serija, otvara mogučnost analize vremenskih serija uz pomoć tradicionalnih metoda data mininga, i otvara mogučnost kreiranja ad hoc algoritama za analizu vremenskih serija.
REFII model daje cjeloviti rješenje za analizu vremenskih serija, te je posebno pogodan za rješavanja problema iz domene tržišnih analiza koje zahtijevaju integraciju i ulančavanje čitavog niza postupaka i metoda za analizu vremenskih serija.
Autor REFII modela je dr.sc. Goran Klepac, i ovaj je model razrađen u sklopu njegove doktorske disertacije.
UVOD
Jedinstveni model transformacije vremenske serije (REFII) omogučuje povezivanje različitih konceptualnih modela analize vremenske serije, što je unapređenje u odnosu na tradicionalan način korištenja niza nepovezanih metoda prilikom analize.
REFII model također omogučuje analize vremenskih serija primjenom tradicionalnih metoda rudarenja podataka (stabla odlučivanja, klasteriranja, metode potrošačke košarice,...)
Povezivanjem različitih konceptualnih modela analize u okviru REFII modela možemo riješiti složene analitičke zadatke na temelju vremenskih serija, poput segmentacije tržišta te otkrivanja tržišnih zakonitosti (modeli ponašanja tržišnih segmenata i subjekata) .
Primjena REFII modela nudi unapredenje u otkrivanju tržišnih zakonitosti iz vremenskih serija prilikom "ad hoc" analize tržišnih problema za razliku od tradicionalnoga pristupa, prilikom kojega koristimo niz nepovezanih i nekompatibilnih metoda, koje nam ponekad ne dopuštaju mogučnost dublje analize i modeliranje rješenja za nestandardne probleme povezivanjem niza razlicitih metodoloških postupaka analize.
Unapređenje pojmovno znači povezivanje različitih metodoloških koncepcija analize vremenskih serija, primjenu tradicionalnih metoda rudarenja podataka na vremensku seriju, ulančavanje metoda za analizu vremenskih serija te nadogradnja temeljnog REFII modela s izvornim algoritmima s ciljem izgradnje modela za segmentaciju tržišta na osnovi vremenskih serija i procjene ponašanja tržišnih segmenata i subjekata.
Dublja analiza pojmovno znači mogučnost provedbe razlicitih tipova analiza na reduciranom setu podataka iz vremenske serije, koji je proizašao kao rezultat obrade prije primijenjene metode ili analitickoga postupka.
Povezivanje se ostvaruje posredstvom jedinstvenoga modela transformacije vremenske serije, koji je temelj analitičkim postupcima, metodama te razvoju novih metoda s obzirom na problemski prostor.
Dosadašnje metode, koje se bave analizom vremenskih serija, fokusirane su uglavnom na određeni problem te se ponašaju poput "crnih kutija". Na osnovi ulaznih parametara (vremenska serija) one daju informacije poput postojanja sezonskih oscilacija ili ponavljajucih uzoraka i slicno. Za sve njih karakteristično je da imaju vlastite modele transformacije vremenske serije koji su uglavnom prilagodeni konkretnoj problematici kojom se bave te, osim što su međusobno nekompatibilni, ne može ih se ekstrahirati kao izlazne vrijednosti iz modela.
REFII model nudi jedan do sada sasvim novi pristup u analizi.
Novi pristup, koji donosi REFII model, ocituje se u modelu transformacije kao osnovi analize, na kojem se temelje sve daljnje analitičke metode.
Analitičke metode su algoritamski postupci kojima se djeluje na transformirane vrijednosti, a ti algoritamski postupci mogu biti izvorni algoritamski postupci koji rješavaju određene tipove problema, poput tržišne segmentacije na temelju vremenskih serija ili pak tradicionalni algoritmi za rudarenje podataka, kao što je to, primjerice, stablo odlučivanja, odnosno novootkrivene metode za analizu vremenskih serija prilagodene REFII sintaksi.
Ovakva orijentiranost na model transformacije kao polazišne točke analize, omogučuje i temeljitiju analizu vremenskih zakonitosti ulančavanjem metoda koje djeluju na vremensku seriju te modeliranje rješenja za nestandardne probleme, proizašle iz otkrivanja tržišnih zakonitosti i segmentacije tržišta.
Pojam temeljitosti u ovom slucaju znači mogučnost provedbe razlicitih tipova analiza na reduciranom setu podataka iz vremenske serije koji je proizašao kao rezultat obrade prije primijenjene metode ili analitickoga postupka, s ciljem rješavanja kompleksnih zadataka kao što je to npr. segmentacija tržišta na temelju vremenskih serija.
KARAKTERISTIKE I CILJEVI REFII MODELA
Osnovna karakteristika ovog modela je jednoznačnost opisa vremenske serije pomoću parametara modela. Matematička jednoznacnost implicira mogučnost provođenja temeljnih matematičkih operacija nad vremenskim odsječcima poput jednakosti, različitosti i sličnosti.
U uvjetima kada krivulju, ili neki njen segment možemo komparirati sa drugom krivuljom odnosno nekim njenim segmentom matematički precizno, tada dolazimo do snažnog instrumentarija na kome se može temeljiti čitav sustav analize vremenskih serija. Upravo na ovim osnovama pociva koncepcija REFII modela.
Ova je koncepcija nastojala zadovoljiti još jedan kriterij, a to je kriterij povezanosti sa algoritmima koji se primjenjuju u data miningu. Do sada poznate metode za analizu vremenskih serija davale su odredene pokazatelje koji se kasnije nisu mogli procesuirati posredstvom nekog od poznatih algoritama u cilju ekstrahiranja dodatnog znanja. REFII model teži ka otvorenosti, odnosno uz svoj matematički instrumentarij koji služi kako za opis, tako i za generiranje znanja koje se krije u vremenskoj seriji, daje modalitete rješenja povezivanja sa ostalim data mining algoritmima.
Na taj nacin možemo iskoristiti snagu provjerenih algoritama na području vremenskih serija, u sklopu standardnih softverskih rješenja.
U skupinu klasicnih data mining algoritama ubrajamo neuralne mreže, klasteriranje, stabla odlučivanja, analizu potrošačke košarice, link analizu, i slicno, kao i sve mutacije i izvedenice ovih algoritama.
Ovom koncepcijom nam se otvara čitavo jedno novo podrucje koje nudi detaljniji i precizniji analiticki instrumentarij u domeni vremenskih serija.
REFII model se koncentrira se na tri osnovna segmenta kojima se jednoznacno može opisati krivulja , to su :
• oblik krivulje (opis izgleda vremenske serije)
• površina ispod krivulje (kvantifikacija vremenske serije)
• koeficijent kutnog nagiba pravca unutar vremenskog odsjecka ("jacina" trenda)
ALGORITAMSKA INTERPRETACIJA REFII MODELA
Krajnji algoritam mora objediniti sve tri spomenute cjeline i stvoriti temelj za primjenu analitičkih postupaka.
Algoritam za transformaciju vremenske serije u REFII model odvija se u nekoliko koraka
Vremensku seriju možemo deklarirati kao niz vrijednosti Vs=(X1,..,Xn)
1. Korak- Vremenska interpolacija
Formiranje samostalnog vremenskog niza Vi na intervalu <1..n> (Dani, tjedni, mjeseci, kvartali, godine) sa vrijednostima 0. Na temelju tako formiranog niza potrebno je provesti interpolaciju nedostajucih vrijednosti u Vs-u sa 0 na temelju formiranog niza Vi. Rezultat ovakve obrade je niz Vs sa interpoliranim vrijednostima niza Vi.
2. Korak - Vremenska granulacija
U ovom koraku definiramo stupanj sažimanja vremenske serije Vs koja se nalazi u elementarnoj vremenskoj jedinici (dan, tjedan, mjesec.). U drugom koraku elemente postoječe vremenske serije sažimamo korištenjem statističkih funkcija poput AVG(), SUM(), MOD() na razini granuliranog odsjecka. Na taj način vremensku seriju možemo svesti na veći stupanj granulacije (dani u tjedne, tjedni u mjesece .), te dobivamo vremensku seriju Vg sa većim stupnjem granulacije.
Na ovaj korak možemo se vraćati tijekom procesa analize s obzirom na ciljeve analize, što podrazumijeva obavezno ponovno provodenje procesa opisanima u narednim koracima
3. Korak - Normiranje
Postupak normiranja podrazumijeva transformaciju vremenske serije Vg u Ns pri cemu je svaki element niza podvrgnut postupku min-max normizacije na intervalu <0,1> i to
a) Ns (Y1,.., Yn)=((Xi- min(Vs))/(max(Vs)-min(Vs))
b) mjerilo vremenske kompleksnosti odsjecka na X osi d(Yi,Yi+1)=0.1
4. Korak - transformacija u REF notaciju
Prema formuli Tr=Yi+1- Yi Tr > 0 =>R; Tr< 0 =>F; Tr=0 =>E , gdje su Yi elementi niza Ns
5. Korak - Proračun nagiba pravca na osnovu kuta
Koeficijent ktnog otklona=>
Tr > 0 (R) Koeficijent =y2-y1
Tr < 0 (F) Koeficijent =y1-y2
Tr = 0 (E) Koeficijent = 0
gdje su gdje su Yi elementi niza Ns
6. Korak - Proracun Površine ispod krivulje
Numericka integracija metodom pravokutnika
p= ((y1*0.1)+(y2*0.1))/2
gdje su gdje su Yi elementi niza Ns
7. Korak - Kreiranje vremenskih indeksa
Gradenje hijerarhijskog stabla indeksa ovisno o karakteru analize, gdje element strukturiranog indeksa može biti i atribut poput šifra klijenta
8. Korak - Kreiranje razreda
Kreiranje izvedenih vrijednosti atributa na temelju površine ispod krivulje i otklona kutova
9. Korak - Povezivanje tablice transformacije REFII modela sa relacijskim tablicama koje sadrže atribute koji nemaju vremensku dimenziju
Ovih devet osnovnih koraka temelj su algoritmiziranog postupka na kojem se temelji REFII model ciji je krajnji rezultat formiranje matrice transformacije. Matrica transformacije je temelj za provođenje daljnjih analitickih postupaka s ciljem analize vremenske serije.
KAKO ANALIZIRATI VREMENSKE SERIJE POSREDSTVOM REFII MODELA
REFII model u osnovi je koncepcija sastavljena iz tri opisane podcjeline, kojoj je prvenstveni cilj transformacija vremenske serije u niz pokazatelja koji jednoznačno definiraju vremensku seriju, REF, površina ispod krivulje, te koeficijent kutnog otklona su pokazatelji koji jednoznačno opisuju odsječak vremenske serije, a niz takvih odsječaka zajedno čine transformiranu vremensku seriju. Ovakav niz pokazatelja poredani su redoslijedom pojavnosti u jedinici vremena i objedinjeni u zajedničku koncepcijsku strukturu transformirane vremenske serije koju nazivamo matricom transformacije.
Takva struktura gledano sa perspektive dinamičke memorije može biti matrica reda 4x tn-1 , odnosno gledano sa perspektive trajnog zapisa na disku datoteka sa 4 atributa i dužine tn-1.
Pokazatelji vremenskog odsječka izračunati su na temelju koordinata dvije susjedne vrijednosti u vremenskoj seriji. Tako je primjerice odsječak sa indeksom 1 formiran na osnovu vrijednosti koordinata vremenske serije t0 i t1. Indeks vremenskog odsjecka služi za jednoznačnu identifikaciju vremenskog odsječka s ciljem njegove analize.
Indeksi mogu biti složeno strukturirani te mogu u sebi sadržavati hijerarhijske elemente, ako i elemente pripadnosti, te vezne elemente prema ostalim izvorima podataka.
Elementi obuhvaženi u prethodnoj tablici temeljni su elementi REFII modela, sa kojima je moguće jednoznačno opisati krivulju i izvršiti sve analize zbog kojih je i ovaj model i razvijen. Osim opisanih pokazatelja moguće je obuhvatiti i izvedene pokazatelje prikazane kroz razvoj modela, ali to je opcionalni pristup koji ovisi o karakteru analize.
Nakon trensformacije vremenske serije posredstvom REFII modela dobijemo transformiranu vremensku seriju u obliku prikazanu u tablici.
| Indeks vremenskog odsječka | I1 | I2 | I3 | In | | REF oznaka | REF(I1) | REF(I2) | REF(In) | REF(In) | | Koeficijent kutnog otklona | Koeficijent kutnog otklona(I1) | Koeficijent kutnog otklona(I2>) | Koeficijent kutnog otklona(I3) | Koeficijent kutnog otklona(In) | | Površina vremenskog odsjecka | P(I1) | P(I2) | P(I3) | P(In) |
Ovako transformirani podaci procesuiraju se algoritmiziranim metodama s ciljem rješavanja konkretnih problema iz domene vremenskih serija. Algoritmizirane metode i postupci koje služe za rješavanje konkretnih problema spadaju u širi pojam REFII modela.
O samom karakteru analize ovisi kako ce se tako transformiranoj vremenskoj seriji pristupiti po pitanju "lomljenja" ovako formirane strukture u manje logičke cjeline. Ako na primjer promatramo tjedne, a vremenska serija sadrži podatke za svaki dan u tjednu kroz cijelu godinu, tada logički razlomimo seriju na tjedne i analiziramo vremenske odsječke posredstvom konkretnog algoritma. Ovaj postupak "lomljenja" vremenske serije na manje analitički usporedive logičke odsječke vežemo uz pojam vremenske kompleksnosti. Ova mjera određuje tocku logičkog loma vremenske serije s obzirom na cilj analize, a dio je algoritmiziranog postupka analize. Tako primjerice ovaj koeficijent za tjedan mođe imati vrijednost 7, ili 5 (radni dani u tjednu), pri ćemu treba voditi računa o nepostojanju vrijednosti u odredenoj vremenskoj točci, sa ćim se ova mjera također mora nositi.
Osnovni zaključak je da je REFII model u užem smislu, model transformacije vremenske serije, dok je on u širem smislu skup algoritmizranih postupaka nad tako transformiranim podacima koji primjerice omogućuju:
• Otkrivanje sezonskih oscilacija
• Otkrivanje relevantnosti atributa
• Otkrivanje korelatornih odnosa varijabli 1:1 i 1:n
• Predvidanje trenda vremenskih serija
• Otkrivanje epizoda u vremenskim serijama
• Grupiranje vremenskih odsjecaka
• Procjene "slicnosti" vremenskih odsjecaka i vremenskih serija
• Otkrivanje inverznih oscilacija
• Otkrivanje modela ponašanja klijenata
• Otkrivanje uzoraka u vremenskoj seriji (animacija algoritma)
• Implementacija "teorije spavaca" kroz vremenske serije
• Temelj upitnog jezika za analizu vremenskih serija
Postoji čitav niz mogućih primjena. Ovaj transformacijski model, univerzalna je polazišna točka za sve moguće vrste analiza koje se provode nad vremenskim serijama, a koje ova koncepcija uspješno rješava. Kao što će biti vidljivo kroz daljnji tekst elementi prikazani u tablici proceduralno procesuirani kroz razlicite vrste algoritama mogu otkriti različite vrste znanja iz vremenskih serija, i upravo u tome leži snaga REFII koncepcije. Ovaj koncept može biti uspješno primijenjen za razvoj upitnog jezika za vremenske serije
IZRAVNO OTKRIVANJE PRAVILA IZ VREMENSKIH SERIJA POSREDSTVOM REFII MODELA
Jedna od karakteristika REFII modela je mogučnost direktnog otkrivanja pravila iz vremenskih serija, pri ćemu elementi koji ulaze u analizu mogu, ali i ne moraju nužno imati temporalni karakter [Ohsaki, 2003].
Analitičara može interesirati odnos meduzavisnosti među pojavama koje su temporalnog i netemporalnog karaktera. Isto tako, za analizu nam može biti interesantno da li postoji pravilnost izmedu pojave x koja se desila u vremenu t i pojave y koja se je desila u vremenu t+1, odnosno (t+ procijenjeni prag tolerancije) .
Predmet istraživanja ne moraju nužno biti vremenski odsjecči, vec to mogu biti i vremenski uzorci, epizode, te nevremenske komponente.
Kada se govori o nevremenskim komponentama kao elementima koji ulaze u proces analize, tada u tu skupinu ulaze atributi poput regije, dobi, spola, pripadnosti odredenoj grupi i slicno.
Na taj način rezultati analize mogu dati informaciju da ako postoji rastući trend u nekom vremenskom periodu, da je najveći utjecaj na taj trend imala grupa atributa cija je vrijednost atributa dobi u nekom odredenom razdoblju.
REFII model ne nudi svoje vlastito rješenje za direktno otkrivanje pravila iz vremenskih serija, već je jedno od mogućih rješenja u ostvarivanju tog cilja korištenje asocijativnih algoritama nad vremenskom serijom/serijama koje su transformirane u REFII notaciju.
Primjenom asocijativnih algoritama nad jednom transformiranom vremenskom serijom, koja u sebi sadrži vremenske indekse možemo otkrivati sezonske oscilacije. Ovo je alternativni nacin traženja sezonskih oscilacija unutar vremenskih serija transformiranih u REFII notaciju.
Ako u vremensku seriju uvedemo atribut koji nije zavisan u vremenu, poput regije, pripadnosti nekoj interesnoj skupini i slično, tada ti atributi postaju ravnopravni vremenskim atributima i sudjeluju u procesu analize.
Ovaj primjer ilustrira način kako izravno otkrivati pravila povezivanjem REFII modela i asocijativnih algoritama kao ilustraciju mogućnosti direktnog povezivanja elemenata vremenske serije preko REFII modela sa algoritmima data mininga.
Kao predmet istraživanja uzeti su podaci sa :
http://www.stat.duke.edu/~mw/ts_data_sets.html
koji prikazuju indikatore proizvodnje na mjesečnoj razini u periodu od 1947-1993.
Izvor: Federal Reserve Statistical Release G.17
Struktura podataka : vremenske serije za period od 1947-1993
YR = Godina
MN = Mjesec
IP = Indeks industrijske proizvodnje
MFG = Preradivacka industrija
MFGD = Trajna dobra
MFGN = Netrajna dobra
MIN = Rudarstvo
UTIL = Javne usluge
P = Proizvodi ukupno
MAT = Materijali
Svaka vremenska serija ima 564 elementa.
Cilj analize je otkriti pravilnosti u kakvoj su meduzavisnosti indeks industrijske proizvodnje, javne usluge usluge, rudarstvo, i proizvodnja materijala.
Prilikom transformacije originalnih vrijednosti vremenske serije korištena je naredna tablica klasifikacije otklona kutova vremenskih odsjecaka:
Razred Donja granica Gornja granica REF
Nizak rast 0.0 0.3 R
Srednji rast 0.3 0.7 R
Visok rast 0.7 1.0 R
Nizak pad 0.0 0.3 F
Srednji pad 0.3 0.7 F
Oštar pad 0.7 1.0 F
Bez promjene 0.0 0.0 E
Nakon provedene transformacije cetiri vremenske serije svaka duljine 562 elementa, vremenske serije su spojene primjenom SQL upita na temelju vremenskih indeksa, te je rezultat obrade eksportiran u tablicu formata :
Format tablica transformacije u REFII model za potrebe izravnog otkrivanja pravila
ciklus indeks ip ut min mat
discrete discrete discrete discrete discrete discrete
47 2 Nizak rast Nizak rast Nizak rast Nizak rast
47 3 Nizak rast Nizak rast Nizak rast Nizak rast
47 4 Nizak pad Nizak rast Nizak pad Nizak pad
47 5 Nizak rast Nizak rast Nizak rast Nizak rast
47 6 Bez promjene Bez promjene Nizak pad Nizak pad
47 7 Nizak pad Nizak rast Nizak rast Nizak pad
47 8 Nizak rast Nizak rast Nizak rast Nizak pad
47 9 Nizak rast Nizak rast Nizak rast Nizak rast
47 10 Nizak rast Nizak rast Nizak pad Nizak rast
47 11 Nizak rast Nizak rast Nizak rast Nizak rast
47 12 Bez promjene Nizak rast Nizak pad Nizak pad
. ... . . . .
Ovaj format tablice je standardni format podataka u dana mining modulu, open source- Orange, http://magix.fri.uni-lj.si/orange/default.asp za programski jezik Python www.python.org razvijenom na Ljubljanskom univerzitetu, katedra za umjetnu inteligenciju.
Na temelju tog modula kreiran je program za otkrivanje asocijativnih pravila u iz REFII modela.
U nastavku je prikazan izvorni kod pisan u programskom jeziku Python sa korištenjem Orange modula za otkrivanje asocijativnih pravila na temelju transformiranih vremenskih serija:
import orange, orngAssoc
data = orange.ExampleTable("serije.tab")
minSupport = 0.3
rules = orngAssoc.build(data, minSupport)
print "%i pravila sa support koeficijentom vecim ili jednakim %5.3f .\n" % (len(rules), minSupport)
subset = rules[0:100]
subset.printMeasures(['support','confidence'])
print
del subset[0:2]
subset.printMeasures(['support','confidence'])
Uz zahtijev da support koeficijent bude veći ili jednak od 0.3 dobiveno je 17 pravila :
supp. conf. Pravilo
0.521 0.891 mat=Nizak rast -> ip=Nizak rast
0.521 0.880 ip=Nizak rast -> mat=Nizak rast
0.425 0.718 ip=Nizak rast -> ut=Nizak rast
0.425 0.664 ut=Nizak rast -> ip=Nizak rast
0.415 0.708 mat=Nizak rast -> ut=Nizak rast
0.415 0.647 ut=Nizak rast -> mat=Nizak rast
0.377 0.910 ut=Nizak rast mat=Nizak rast -> ip=Nizak rast
0.377 0.887 ut=Nizak rast ip=Nizak rast -> mat=Nizak rast
0.377 0.724 mat=Nizak rast ip=Nizak rast -> ut=Nizak rast
0.377 0.644 mat=Nizak rast -> ut=Nizak rast ip=Nizak rast
0.377 0.637 ip=Nizak rast -> ut=Nizak rast mat=Nizak rast
0.377 0.589 ut=Nizak rast -> mat=Nizak rast ip=Nizak rast
0.319 0.746 min=Nizak rast -> mat=Nizak rast
0.319 0.544 mat=Nizak rast -> min=Nizak rast
0.313 0.733 min=Nizak rast -> ip=Nizak rast
0.313 0.529 ip=Nizak rast -> min=Nizak rast
0.302 0.708 min=Nizak rast -> ut=Nizak rast
0.425 0.718 ip=Nizak rast -> ut=Nizak rast
0.425 0.664 ut=Nizak rast -> ip=Nizak rast
0.415 0.708 mat=Nizak rast -> ut=Nizak rast
0.415 0.647 ut=Nizak rast -> mat=Nizak rast
0.377 0.910 ut=Nizak rast mat=Nizak rast -> ip=Nizak rast
0.377 0.887 ut=Nizak rast ip=Nizak rast -> mat=Nizak rast
0.377 0.724 mat=Nizak rast ip=Nizak rast -> ut=Nizak rast
0.377 0.644 mat=Nizak rast -> ut=Nizak rast ip=Nizak rast
0.377 0.637 ip=Nizak rast -> ut=Nizak rast mat=Nizak rast
0.377 0.589 ut=Nizak rast -> mat=Nizak rast ip=Nizak rast
0.319 0.746 min=Nizak rast -> mat=Nizak rast
0.319 0.544 mat=Nizak rast -> min=Nizak rast
0.313 0.733 min=Nizak rast -> ip=Nizak rast
0.313 0.529 ip=Nizak rast -> min=Nizak rast
0.302 0.708 min=Nizak rast -> ut=Nizak rast
Primjerice pravilo ip=Nizak rast -> mat=Nizak rast , koje govori da ako je ukupan indeks industrijske proizvodnje u niskom rastu, tada je i proizvodnja materijala u niskom rastu ima vrijednost support koeficijenta 0.521 i visoku pouzdanost od 0.891.
Iz ovog je primjera vidljiv način na koji REFII model otvara mogućnost primjene data mining algoritma nad elementima vremenske serije.
Na spomenuti set podataka moguće je djelovati i ostalim algoritmima poput stabla odlučivanja, ili pak procjenjivati relevantnosti atributa temeljem Gini indeksa s obzirom na ciljnu varijablu primjerice varijablu "godina" . Asocijativni algoritmi su samo jedan od primjera kako iz vremenskih nakon transformacije u REFII notacije možemo otkrivati pravila primjenom data mining algoritama.
U fokusu analize ne moraju biti samo odsječci sa istim vremenskim indeksom. Ako želimo pratiti analizu utjecaja, tada možemo upariti pojavom na vremenskoj razini t, sa pojavom na vremenskoj razini t+n za koju sumnjamo da bi mogle imati međuzavisni utjecaj sa vremenskim pomakom, te tada na njih djelujemo sa asocijativnim algoritmima.
Prednost ovakvog pristupa očituje se i u mogucnosti detaljnijih analiza nad izdvojenim skupom podataka, gdje obuhvaćamo vrijednosti atributa otklona sa zadovoljavajućim vrijednostima koeficijenata , te im pridružujemo i dodatne atribute s ciljem dodatne analize.
Primjer za to može biti izdvajanje dijela vremenske serije koji zadovoljava kriterije da je Ip="Nizak rast" i mat="Nizak rast" , pri ćemu se izdvajaju i ostale vrijednosti za ut, min, ciklus i indeks i pokušavaju naći zakonitosti nad tim podskupom podataka. Kada je vremenska serija pretprocesirana na spomenuti nacin, tada je izdvajanje spomenutog podskupa moguce realizirati i primjenom jednostavnih SQL upita na vremensku seriju.
ZAKLJUČAK
REFII model konstruiran je s ciljem objedinjavanja različitih koncepcija analize vremenskih serija, tradicionalnih metoda rudarenja podataka te s ciljem konstrukcije novih algoritamskih postupaka iz oblasti analize tržišta, te pronalaženju rješenja problema automatskog pretprocesiranja vremenskih serija.
Važnost problema razjedinjenosti metodoloških postupaka analiza vremenskih serija uocio je Graham Williams u svom radu [Williams, 2002] koji daje pregled data mining metoda u domeni vremenskih serija. U istom radu naveo je izazove budućih istraživanja (eng. challange questions ) gdje bi trebalo riješiti problem generalne teorije analize vremenskih serija koja bi objedinila sadašnja i buduca istraživanja na podrucju data mining analize vremenskih serija.
Osnovni nedostatak spomenutog Williamsovog modela proizlazi iz cinjenice što je premala pažnja usmjerena na model transformacije, te je on stavljen u drugi plan prilikom definicije rješenja.
Kao implikacija ovakvog zapostavljanja modela transformacije pojavljuju se problemi:
Svi problemi proizlaze zbog nedovoljno dorađenog i nefleksibilnog modela transformacije vremenske serije koji se u hodu doraduje s obzirom na analitičke potrebe [Williams, 2000], [Williams, 2001], [Williams, 2001], [Williams, 2001a ], [Williams, 2002a ], [Williams, 2003] , [Williams, 2003a]
Zanemarivanje kontingencijskog pristupa analizi
Nije predviđena metodologija povezivanje temporalnih atributa sa netemporalnim
Kao aktivnosti budućih istraživanja napominje se prilagođavanje i dorada postojećih data mining algoritama, umjesto da se putem modela transformacije izgrade mostovi za spajanje, što naravno implicira i generalni problem sa primjenom fuzzy logike unutar modela
REFII model ima odgovore na probleme koji su navedeni kao rezultati budućih istraživanja u Williamsovom radu, te nudi puno fleksibilniji pristup analizi vremenskih serija od one koju je zamislio spomenuti autor.
Jedinstveni model transformacije vremenske serije (REFII) omogućuje povezivanje različitih konceptualnih modela analize vremenske serije, što je unapređenje u odnosu na tradicionalan nacin korištenja niza nepovezanih metoda prilikom analize.
REFII model takoder omogućuje analize vremenskih serija primjenom tradicionalnih metoda rudarenja podataka (stabla odlucivanja, klasteriranja, metode potrošacke košarice,...)
Povezivanjem različitih konceptualnih modela analize u okviru REFII modela možemo riješiti složene analitičke zadatke na temelju vremenskih serija, poput segmentacije tržišta te otkrivanja tržišnih zakonitosti (modeli ponašanja tržišnih segmenata i subjekata) .
Primjena REFII modela nudi unapredenje u otkrivanju tržišnih zakonitosti iz vremenskih serija prilikom "ad hoc" analize tržišnih problema za razliku od tradicionalnoga pristupa, prilikom kojega koristimo niz nepovezanih i nekompatibilnih metoda, koje nam ponekad ne dopuštaju mogucnost dublje analize i modeliranje rješenja za nestandardne probleme povezivanjem niza razlicitih metodoloških postupaka analize.
Ove mogučnosti su do sada tradicionalnim pristupima analizi vremenskih serija zbog primjene niza nepovezanih metoda (nepostojanja generalne strategije povezivanja) bile nemoguće ili vrlo teško izvedive, a pojavljuju se kao nužnost u analizi tržišnih zakonitosti putem vremenskih serija.
Screenshot programa za transformaciju vremenske serije u REFII model
POPIS LITERATURE
[Debregeas, 1998] Debregeas, A. & Hebrail, G. (1998). Interactive interpretation of kohonen maps applied to curves. In proceedings of the 4th Int'l Conference of Knowledge Discovery and Data Mining. New York, NY, Aug 27-31. pp 179-183.
[Klepac, 2000] Klepac Goran, Otkrivanje zakonitosti iz perspektive poduzeca primjenom metoda umjetne inteligencije, Ekonomski fakultet Zagreb, magistarski rad, 2000
[Klepac, 2001] Klepac Goran, Primjena inteligentnih racunalnih metoda u menedžmentu, Sinergija, 2001
[Klepac, 2003] Klepac Goran, Panian Željko, Poslovna inteligencija, Masmedia, 2003
[Ohsaki, 2003] Ohsaki, M., Sato, Y., Yokoi, H. & Yamaguchi, T. (2003). A Rule Discovery Support System for Sequential Medical Data In the Case Study of a Chronic Hepatitis Dataset. ECML 2003.
[Williams, 2000] Williams, J. Graham, Weiqiang Lin, Mehmet Orgun, Temporal Data Mining using Multi-Level Local Polynomial Models, Proceedings of the 2nd International Conference on Intelligent Data Engineering and Automated Learning (IDEAL00)Lecture Notes in Computer Science, Volume 1983, Springer Hong Kong, December 2000
[Williams, 2001] Williams, J. Graham, Weiqian Lin, Mehmet Orgun, Temporal Data Mining Using Hidden Markov-Local Polynomial Models Editted by David Cheung, Graham Williams, Qing Li, Lecture Notes in Artificial Intelligence, Volume 2035, Springer, April 2001 Proceedings of the 5th Pacific Asia Conference on Knowledge Discovery and Data Mining(PAKDD01)Hong Kong, China, April 2001
[Williams, 2001a ] Williams, J. Graham, Rohan Baxter, Graham Williams, Hongxing He, Feature Selection for Temporal Health Records, Advances in Knowledge Discovery and Data Mining Editted by David Cheung, Graham Williams, Qing Li Lecture Notes in Artificial Intelligence, Volume 2035, Springer, April 2001 Proceedings of the 5th Pacific Asia conference on Knowledge Discovery and Data Mining (PAKDD01) Hong Kong, China, April 2001
[Williams, 2002] Williams, J. Graham , Weiqiang Lin, Mehmet A Orgun, An Overview of Temporal Data Mining, Proceedings of the 1st Australian Data Mining Workshop (ADM02) Canberra, Australia, December 2002 Editted by Simeon J. Simoff, Graham J. Williams, Markus Hegland Published by University of Technology, Sydney, Pages 83-90, ISBN 0-9750075-0-5
[Williams, 2002a ] Williams, J. Graham, Weiqiang Lin, Mehmut Orgun, Mining Temporal Patterns from Health Care Data , Proceedings of the 4th International Conference on Data Warehousing and Knowledge Discovery (DaWaK02) Lecture Notes in Computer Science, Vol 2454, Springer, 2002 Pages 221-231, ISBN 3-540-44123-9
[Williams, 2003] Williams, J. Graham, Mining the Data Stream, Invited Plenary, International Conference on Hybrid Intelligent Systems Melbourne, Australia, December 2003.
[Williams, 2003a] Williams, J. Graham, Chris Kelman, Rohan Baxter, Lifang.Gu, Simon Hawkins, Hongxing He, Chris Rainsford, Deanne Vickers, Temporal Event Mining of Linked Medical Claims Data , Proceedings of the PAKDD03 Workshop on Data Mining for Actionable Knowledge DMAK-2003 Seoul, Korea, April
|
|
(c)
2006 | dr.sc. Goran Klepac | tehnička realizacija: mr.sc. Leo Mršić
/Credit_scoring.jpg)
