1. IntroductionResearchers have pro

1. Introduction
Researchers have proposed many algorithms for discovering frequent itemsets from a given data set [1,11,14,32,40]. The
data set can be static or dynamic. Most algorithms to discover frequent itemsets focus on a static data set. However, static
data mining algorithms cannot be applied to a dynamic data set, which dynamically shrinks and expands. The development
of sensors and their increasing use in applications has led to a flood of data. Data streams from sensors have become
the target of data mining. The properties of data streams are that they are continuous, unbounded, and non-uniformly
distributed. Applications such as environment surveillance, stock data analysis, and network traffic analysis need real-time
stream data mining to discover knowledge from them. Recent works have studied several applications of real-time data
mining, such as non-stationary mining of sensor networks [7], real-time motion trajectory indexing of video [2], real-time
anomaly detection over multiple data streams [15,31], and others [35,36,38].

ผลลัพธ์ (ไทย) 1:

1. บทนำนักวิจัยได้เสนอหลายอัลกอริทึมสำหรับการค้นหา itemsets บ่อยจากชุดข้อมูลที่กำหนด [1,11,14,32,40] การชุดข้อมูลจะคงที่ หรือไดนามิก ส่วนใหญ่อัลกอริทึมเพื่อค้นหาชุดข้อมูลคงเน้นบ่อย itemsets อย่างไรก็ตาม คงอัลกอริทึมการทำเหมืองข้อมูลไม่สามารถใช้กับชุดข้อมูลแบบไดนามิก ซึ่งหดตัว และขยายแบบไดนามิก การพัฒนาเซ็นเซอร์และการใช้ที่เพิ่มขึ้นในการใช้งานทำให้น้ำท่วมของข้อมูล กระแสข้อมูลจากเซนเซอร์ได้เป็นเป้าหมายของการทำเหมืองข้อมูล คุณสมบัติของกระแสข้อมูลที่มีอยู่อย่างต่อเนื่อง ไม่ และไม่สม่ำเสมอการแจกจ่ายการ จำเป็นต้องใช้งานเช่นการเฝ้าระวังสิ่งแวดล้อม การวิเคราะห์ข้อมูลหุ้น และวิเคราะห์ปริมาณการใช้เครือข่ายแบบเรียลไทม์การทำเหมืองข้อมูลสตรีมเพื่อค้นหาความรู้จากพวกเขา ผลงานล่าสุดมีศึกษาการใช้งานแบบเรียลไทม์ข้อมูลหลายการทำเหมืองแร่ เหมืองแร่เคลื่อนไหวของเครือข่ายเซ็นเซอร์ [7], เช่นเคลื่อนไหวแบบเรียลไทม์วิถีการทำดัชนีของวิดีโอ [2], เรียลไทม์ตรวจหาความผิดปกติหลายกระแสข้อมูล [15,31], และอื่น ๆ [35,36,38]

ผลลัพธ์ (ไทย) 2:

1. บทนำ
นักวิจัยได้เสนอหลายขั้นตอนวิธีสำหรับการค้นพบ itemsets บ่อยจากชุดข้อมูลที่กำหนด [1,11,14,32,40]
ชุดข้อมูลสามารถเป็นแบบคงที่หรือแบบไดนามิก ขั้นตอนวิธีการส่วนใหญ่ที่จะค้นพบ itemsets บ่อยมุ่งเน้นไปที่ชุดข้อมูลแบบคงที่ อย่างไรก็ตามคง
ขั้นตอนวิธีการทำเหมืองข้อมูลไม่สามารถนำไปใช้กับชุดข้อมูลแบบไดนามิกซึ่งแบบไดนามิกหดตัวและขยาย การพัฒนา
ของเซ็นเซอร์และการใช้งานที่เพิ่มขึ้นในการใช้งานของพวกเขาได้นำไปสู่น้ำท่วมของข้อมูล กระแสข้อมูลจากเซ็นเซอร์ได้กลายเป็น
เป้าหมายของการทำเหมืองข้อมูล คุณสมบัติของกระแสข้อมูลที่พวกเขามีต่อเนื่องมากมายและที่ไม่เหมือนกัน
กระจาย การใช้งานเช่นการเฝ้าระวังสภาพแวดล้อมการวิเคราะห์หุ้นของข้อมูลและการวิเคราะห์การจราจรเครือข่ายต้องเวลาจริง
การทำเหมืองข้อมูลสตรีมที่จะค้นพบความรู้จากพวกเขา ผลงานที่ผ่านมาได้มีการศึกษาการใช้งานหลายของข้อมูลแบบ real-time
ทำเหมืองแร่เช่นเหมืองแร่ไม่หยุดนิ่งของเครือข่ายเซ็นเซอร์ [7] เวลาจริงการจัดทำดัชนีเคลื่อนไหววิถีของวิดีโอ [2] เวลาจริง
การตรวจสอบความผิดปกติในช่วงกระแสข้อมูลหลาย [15 31] และอื่น ๆ [35,36,38]

ผลลัพธ์ (ไทย) 3:

1 . แนะนำนักวิจัยได้เสนอขั้นตอนวิธีสำหรับการค้นพบหลายเซตรายการความถี่จากได้รับข้อมูลชุด [ 1,11,14,32,40 ] ที่ชุดข้อมูลที่สามารถเป็นแบบคงที่หรือแบบไดนามิก ขั้นตอนวิธีที่สุดค้นพบเซตรายการความถี่โฟกัสคงที่ชุดข้อมูล อย่างไรก็ตาม ไฟฟ้าสถิตขั้นตอนวิธีการทำเหมืองข้อมูล ไม่สามารถใช้กับชุดข้อมูลแบบไดนามิกที่แบบไดนามิกจะหดและขยาย การพัฒนาของเซ็นเซอร์และการใช้ในงานที่ทำให้น้ำท่วมของข้อมูล กระแสข้อมูลจากเซ็นเซอร์ ได้กลายเป็นเป้าหมายของการทำเหมืองข้อมูล คุณสมบัติของกระแสข้อมูลที่พวกเขามีอย่างต่อเนื่อง และความไม่เสมอกัน ,กระจาย การใช้งาน เช่น การเฝ้าระวังสิ่งแวดล้อม การวิเคราะห์ข้อมูลตลาดหุ้นและการวิเคราะห์เครือข่ายการจราจรต้องเรียลไทม์กระแสข้อมูลเหมืองแร่เพื่อค้นพบความรู้จากพวกเขา ผลงานล่าสุดได้ศึกษาโปรแกรมต่างๆ ของข้อมูลเรียลไทม์เหมืองแร่ เช่น เหมืองแร่ non-stationary ของเครือข่ายเซ็นเซอร์ [ 7 ] , ดัชนีเคลื่อนไหวแนวเรียลไทม์วิดีโอ [ 2 ] เวลาตรวจจับความผิดปกติหลายกระแสข้อมูล [ 15,31 ] , [ 35,36,38 และคนอื่น ๆ ]