Comprendre la transition dynamique des motifs dans les graphiques temporels est
essentiel pour révéler comment les structures des graphes évoluent au fil du temps, identifier
modèles critiques, et prédire les comportements futurs, pourtant les méthodes existantes souvent
se concentrer sur des motifs prédéfinis, limitant leur capacité à capturer complètement
transitions et interrelations. Nous proposons une transition de motif parallèle
algorithme de découverte de processus, PTMT, une nouvelle méthode parallèle pour découvrir
processus de transition de motifs dans des graphiques temporels à grande échelle. PTMT intègre un
cadre arborescent avec partitionnement de zone temporelle (TZP) stratégie, lequel
partitionne les graphiques temporels par temps et structure tout en préservant sans perte
transitions de motifs et permettre un parallélisme massif. PTMT comprend trois
étapes: expansion parallèle de la zone de croissance, agrégation des résultats tenant compte du chevauchement, et
codage déterministe des transitions de motifs, assurer un suivi précis des
transitions et interactions dynamiques. Résultats sur 10 ensembles de données du monde réel
demonstrate that PTMT achieves speedups ranging from 12.0$\times$ to
50.3$\times$ par rapport à la méthode SOTA.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: