48、基于增量优化的超快速决策森林的时间数据流挖掘框架

基于增量优化的超快速决策森林的时间数据流挖掘框架

1. 引言

数据流挖掘是机器学习的一个较新分支，主要对以时间序列形式持续输入的数据流进行分析、推理，并构建预测或分类模型。其应用场景广泛，涵盖生物信号、传感器数据、物联网序列、社交推文和实时轨迹等领域。

过去，传统的时间数据挖掘算法属于经典的批量模式机器学习，需要加载和处理所有数据来更新模型。而本文聚焦于增量学习，它使实时时间数据流挖掘在依赖连续数据流的新型应用中成为可能。时间模式的数据流挖掘是一个较新且热门的研究领域，随着普适计算、数据收集和大数据应用的普及而备受关注。本文旨在阐述一个框架，回顾相关技术，并探讨将多个数据流挖掘模型组合成增量优化的超快速决策森林（iOVFDF）的可能性。新模型 iOVFDF 的意义在于为实时挖掘时间模式提供可能。

iOVFDF 的框架基于某研究方向。该研究主要以患者生理数据为例进行时间数据流挖掘，核心学习器是 k - NN，虽速度快但缺乏全面的知识表示。而本文提出的基于 iOVFDT 的模型，已证明具有高效性（高准确性、紧凑的树结构和可用的决策规则），适用于多时间数据流挖掘。提出的两级 iOVFDT 森林 iOVFDF，底层的个体学习器对单个数据流进行模式识别，高层的元分类器基于个体 iOVFDT 的信息学习全局情况。其主要概念是利用多个 iOVFDT 的集体力量来理解复杂问题的宏观意义。

以拼图为例，大脑有两个认知层次：一是协调手眼识别每块拼图的形状和颜色，确定其位置；二是基于已检查的拼图块构建元知识，尝试理解全貌。iOVFDT 学习的个体知识可能不完整，只有将所有 iOVFDT 的输出组合起来，才能看到完整画面。想象拼图是动态的，就像时间数据流，概念可能漂移，运动模式会随时