چکیده فارسی :

با توجه به توسعه ی فناوری، تعدادی از برنامه های کاربردی مانند تلفن همراه هوشمند، شبکه های حسگر و دستگاه های GPS مقدار زیادی از داده های همه جا حاضر را در قالب جریان ها تولید می کنند. متفاوت از پایگاه داده های سنتی ایستان، جریان داده ی همه جا حاضر به طور معمول به طور مداوم با سرعت بالا و مقدار زیاد، و با توزیع در حال تغییر داده ها دریافت می شوند. سر و کار داشتن و استخراج اطلاعات مفید از داده یک چالش واقعی می باشد. که باعث به وجود آمدن مسائل جدیدی شده است، که باید برای توسعه تکنیک های استخراج قوانین پیوستگی این داده ها در نظر گرفته شود. لازم به ذکر است، که داده ها، در دنیای واقعی، تنها به شکل باینری و عددی نشان داده نشده است، بلکه ممکن است به صورت مقادیر کمی نیز بیان شود. بنابراین، استفاده از مجموعه های فازی برای کار با این مقادیر بسیار مناسب خواهد بود.

در این مقاله مشکل استخراج قوانین پیوستگی فازی از داده های جریان همه جا حاضر مورد مطالعه قرارگرفته است، و یک روش جدید FFP_USTREAM (جریان های همه جا حاضر الگوی مکرر فازی) توسعه یافته است. این روش مفاهیم فازی را با جریان داده همه جا حاضر، با به کارگیری رویکرد پنجره کشویی، برای کاوش قوانین پیوستگی فازی، ادغام می کند. علاوه بر این، پیچیدگی و کارایی این تکنیک مورد بحث قرار گرفته است. نمونه هایی از مجموعه داده های واقعی برای تست روش استفاده شده است. مسائل تحقیقاتی بیشتر نیز پیشنهاد داده شده است.

کلمات کلیدی : داده کاوی، قوانین پیوستگی فازی، مجموعه های فازی،  جریان های داده،  جریان های داده در همه جا حاضر

چکیده انگلیسی:

Due to the development in technology, a number of applications such as smart mobile phone, sensor networks and GPS devices produce huge amount of ubiquitous data in the form of streams. Different from data in traditional static databases, ubiquitous data streams typically arrive continuously in high speed with huge amount, and changing data distribution. Dealing with and extracting useful information from that data is a real challenge. This raises new issues, that need to be considered when developing association rule mining techniques for these data. It should be noted, that data, in the real world, are not represented in binary and numeric forms only, but it may be represented in quantitative values. Thus, using fuzzy sets will be very suitable to handle these values.
In this paper the problem of mining fuzzy association rules from ubiquitous data streams is studied, and a novel technique FFP_USTREAM (Fuzzy Frequent Pattern Ubiquitous Streams) is developed. This technique integrates fuzzy concepts with ubiquitous data streams, employing sliding window approach, to mine fuzzy association rules. In addition, the complexity and the efficiency of this technique are discussed. Examples of real data sets are used to test the proposed technique. Further research issues are also suggested.

KEYWORDS : Data mining ; Fuzzy association rules ; Fuzzy sets ; Data streams ; Ubiquitous data streams