Discovery of Meaningful Rules by using DTW based on Cubic Spline Interpolation

La capacidad de hacer predicciones a corto o largo plazo está en el corazón de gran parte de la ciencia. En la última década, la comunidad de ciencia de datos ha estado muy interesada en predecir eventos de la vida real, utilizando técnicas de minería de datos para descubrir reglas o patrones significativos, de diferentes tipos de datos, incluidas las series temporales. Las predicciones a corto plazo basadas en “la forma” de reglas significativas conducen a una gran cantidad de aplicaciones. El descubrimiento de reglas significativas se logra a través de algoritmos eficientes, equipados con una medida de distancia robusta y precisa. En consecuencia, es importante elegir sabiamente una medida de distancia que pueda lidiar con el ruido, la entropía y otras restricciones técnicas, para obtener resultados precisos de similitud a partir de la comparación entre dos series de tiempo. En este trabajo, creemos que Dynamic Time Warping (DTW) basada en la interpolación de splines cúbicos (SIDTW) puede ser útil para llevar a cabo el cálculo de similitud para dos algoritmos específicos: 1- DiscoverRules() y 2- TestRules(). Mohammad Shokoohi-Yekta et al. desarrollaron un marco, utilizando estos dos algoritmos, para encontrar y probar reglas significativas de series de tiempo. Nuestra investigación amplió el alcance de su proyecto, agregando un conjunto de medidas de búsqueda de similitud bien conocidas, incluyendo SIDTW como una versión novedosa y mejorada de DTW.