基于IRST的并行时序模式挖掘算法提升效率

本文主要探讨了一种在集群式高性能计算机平台上实现的并行时序模式挖掘算法，其核心是基于互关联后继树(IRST)。该算法的主要创新在于将数据处理过程分解为三个关键步骤：数据线段化、互关联后继树的构建以及频繁模式的发现，这三个步骤在多处理器上进行并行操作，显著提高了算法的执行效率。 首先，数据线段化是将原始的时间序列数据分割成一系列独立的小片段，这样可以充分利用多核处理器的并发能力，每个处理器负责处理一部分数据，降低了单个处理器的负载压力。这一步旨在减少数据传输时间和提高计算的并行度。 其次，互关联后继树是一种特殊的数据结构，它用于表示时间序列中的频繁模式。在并行环境中，通过并行构建多个互关联后继树，每个树代表数据的一个子集，这样可以同时搜索不同部分的潜在模式，进一步提升了算法的性能。 最后，模式发现阶段，即寻找频繁模式的过程，也被分配到不同的处理器上，通过分布式并行计算找出各个子集中的频繁模式，然后合并这些局部结果，形成全局的频繁模式列表。这种并行处理方式极大地减少了总的计算时间，使得算法在大规模数据集上表现出较高的执行效率。 研究者通过对算法的实验验证，结果显示相比于传统的串行算法，基于IRST的并行时序模式挖掘算法在处理大规模时间序列数据时，能够显著提升处理速度和执行效率。这项工作对于实际应用，特别是在地震科学、金融交易分析、网络行为分析等领域，具有重要的理论和实践价值。 这篇论文为时序数据挖掘领域提供了一种有效的并行解决方案，展示了如何通过分布式计算技术优化传统算法，提高数据处理的性能，对于推动高性能计算在数据密集型任务中的应用具有重要意义。