阿马尔·沙克尔;埃克·Hüllermier 数据流生存分析：分析动态变化环境中的时间事件。 （英语） Zbl 1295.62093号 国际期刊申请。数学。计算。科学。 24，第1期，199-212（2014）. 摘要：我们介绍了一种对数据流进行生存分析的方法。生存分析（也称为事件历史分析）是一种既定的统计方法，用于研究时间“事件”，或者更具体地说，关于事件发生的时间分布及其对数据源协变量的依赖性的问题。为了使该方法适用于数据流的设置，我们提出了一种与众所周知的Cox比例风险模型密切相关的模型的自适应变体。该方法采用滑动窗口方法，根据当前时间窗口中的事件数据不断更新参数。作为概念验证，我们提供了两个案例研究，其中我们的方法用于不同类型的时空数据分析，即地震数据和推特数据的分析。为了通过数据源的空间位置来解释事件的频率，这两项研究都使用位置作为数据源的协变量。 引用于2文件 理学硕士： 62页第12页 统计在环境和相关主题中的应用 62号02 生存分析和删失数据中的估计 62N86号 模糊性、生存分析和审查数据 86甲17 全球动力学，地震问题（MSC2010） 93A30型 系统数学建模（MSC2010） 关键词：数据流;生存分析;事件历史分析;地震数据;推特数据 软件：TEDAS公司 PDF格式BibTeX公司 XML格式引用 \textit{A.Shaker}和\textit{E.Hüllermier}，国际期刊应用。数学。计算。科学。24，第1号，199--212（2014；Zbl 1295.62093） 全文： 内政部 参考文献： [1] Aggarwal，C.C.、Han，J.、Wang，J.和Yu，P.S.（2003）。对不断发展的数据流进行聚类的框架，第29届超大数据库国际会议成果，德国柏林，第81-92页。； [2] Allan，J.、Papka，R.和Lavrenko，V.（1998年）。在线新事件检测和跟踪，《第21届国际ACM SIGIR信息检索研究与开发会议论文集》（SIGIR 1998），澳大利亚墨尔本，第37-45页。； [3] Amati，G.、Amodeo，G.和Gaibisso，C.（2012年）。微博搜索新鲜度的生存分析，《第21届ACM信息与知识管理国际会议论文集》（CIKM-2012），毛伊岛，HI，美国，第2483-2486页。； [4] Amodeo，G.、Blanco，R.和Brefeld，U.（2011年）。未来事件预测的混合模型，《第20届ACM信息和知识管理国际会议论文集》（CIKM-2011），英国格拉斯哥，第1981-1984页。； [5] Babcock，B.、Babu，S.、Datar，M.、Motwani，R.和Widom，J.（2002年）。数据流系统中的模型和问题，第21届ACM SIGACT-SIGMOD-SIGARTS数据库系统原理研讨会论文集，美国威斯康星州麦迪逊，第1-16页。； [6] Beringer，J.和H¨ullermier，E.（2006年）。并行数据流、数据和知识工程的在线集群58(2): 180-204.; [7] Bottou，L.（1998）。在线算法和随机近似，D.Saad（编辑），在线学习和神经网络，剑桥大学出版社，剑桥·Zbl 0968.68127号 [8] Chen，G.，Wu，X.和Zhu，X.（2005）。多流中的顺序模式挖掘，第五届IEEE数据挖掘国际会议论文集，美国德克萨斯州休斯顿，第585-588页。； [9] Cheon，S.-P.、Kim，S.、Lee，S.-Y.和Lee，C.-B.（2009年）。基于贝叶斯网络的传感器数据罕见事件预测，基于知识的系统22(5): 336-343.; [10] Cherniack，M.、Balakrishnan，H.、Barazinska，M.，Carney，D.、Cetintemel，U.、Xing，Y.和Zdonik，S.（2003）。可扩展分布式流处理，CIDR-03:1第二届创新数据库系统两年一度会议论文集，美国加利福尼亚州阿西洛马。； [11] Considine，J.、Li，F.、Kollios，G.和Byers，J.（2004）。传感器数据库的近似聚合技术，ICDE-04:第20届IEEE国际数据工程会议，美国马萨诸塞州波士顿，第449-460页。； [12] Cormode，G.和Muthukrishnan，S.（2005年）。热门和不热门：动态跟踪最频繁的项目，数据库系统上的ACM事务30(1): 249-278.; [13] 考克斯·D（1972）。回归模型和生命表，皇家统计学会杂志B34(2): 187-220.; ·Zbl 0243.62041号 [14] Cox，D.R.和Oakes，D.（1984）。生存数据分析，Chapman&Hall，伦敦。； [15] Das，A.、Gehrke，J.和Riedewald，M.（2003）。数据流上的近似连接处理，《2003年ACM SIGMOD国际数据管理会议论文集》，美国加利福尼亚州圣地亚哥，第40-51页。； [16] Domingos，P.和Hulten，G.（2003年）。挖掘海量数据流的通用框架，计算与图形统计杂志12(4): 945-949.; [17] Gaber，M.M.、Zaslavsky，A.和Krishnaswamy，S.（2005年）。挖掘数据流：综述，ACM SIGMOD记录34(1): 18-26.; ·Zbl 1087.68557号 [18] Gama，J.（2012）。从数据流中学习的调查：当前和未来趋势，人工智能进展1(1): 45-55.; [19] Gama，J.和Gaber，M.M.（2007年）。从数据流学习，Springer-Verlag，柏林/纽约州纽约市·Zbl 1153.68361号 [20] Garofalakis，M.、Gehrke，J.和Rastogi，R.（2002）。查询和挖掘数据流：你只需要看一眼，《2002年ACM SIGMOD国际数据管理会议记录》，美国威斯康星州麦迪逊，第635-635页。； [21] Golab，L.和Tamer，M.（2003）。数据流管理中的问题，ACM SIGMOD记录32(2): 5-14.; [22] Hulten，G.、Spencer，L.和Domingos，P.（2001）。挖掘时变数据流，第七届ACMSIGKDD知识发现和数据挖掘国际会议论文集，美国加利福尼亚州旧金山，第97-106页。； [23] Ikonomovska，E.、Gama，J.和Dzeroski，S.（2011年）。从不断发展的数据流、数据挖掘和知识发现中学习模型树23(1): 128-168.; ·Zbl 1235.68158号 [24] Krizanovic，K.、Galic，Z.和Baranovic，M.（2011）。时空数据流的数据类型和操作，IEEE移动数据管理国际会议（MDM），瑞典卢埃拉，第11-14页。； [25] Li，R.、Lei，K.H.、Khadiwala，R.和Chang，K.C.-C.（2012）。Tedas：基于推特的事件检测和分析系统，IEEE第28届国际会议数据工程会议记录（ICDE 2012），美国华盛顿特区，第1273-1276页。； [26] Oliveira，M.和Gama，J.（2012）。用于监测经济和金融问题的集群演化的框架，智能数据分析16(1): 93-111.; [27] Radinsky，K.和Horvitz，E.（2013）。挖掘网络以预测未来事件，《第六届ACM网络搜索和数据挖掘国际会议论文集》（WSDM 2013），意大利罗马，第255-264页。； [28] Sakaki，T.、Okazaki，M.和Matsuo，Y.（2013）。实时事件检测和地震报告系统开发的推文分析，IEEE知识与数据工程汇刊25（4） ：919-931。； [29] 翁·J和李·B·S（2011）。推特上的事件检测，第五届网络日志和社交媒体国际会议（ICWSM 2011），西班牙巴塞罗那。； [30] Yang，Y.、Pierce，T.和Carbonell，J.G.（1998年）。回顾性和在线事件检测研究，《第21届国际ACM SIGIR信息检索研究与开发会议论文集》（SIGIR1998），澳大利亚墨尔本，第28-36页。； [31] Zadeh，L.（1965年）。模糊集、信息与控制8(3): 338-353.; ·Zbl 0139.24606号 [32] Zupan，B.、Demésar，J.、Kattan，M.W.、Beck，J.R.和Bratko，I.（2000年）。基于机器学习的生存分析：以前列腺癌复发为例20(1): 59-75.; 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。