or it can return as an input to the

or it can return as an input to the CEP engine.
The event patter’s role is to specify how the incoming
events should be processed in order to extract relevant
information. The language used to define these patterns
should have the ability of specifying complex relationships
among events flowing into the CEP engine.
The typical approach in defining patterns of events is to
manually specify them. This is done either by domain
experts, capable of providing the definition of event patters
or by using other tools externally of the CEP systems in
order to discover these patterns and then encode them in the
event processing language (EPL). However, we see the
integration of machine learning algorithms with the CEP
system, as a solution for direct support in definition of
event patterns. Although massive amount of research has
been conducted in the areas such as pattern recognition and
multisensor data fusion, the systems developed for many of
the CEP applications do not provide a seamless integration
with such techniques, but rather consider the human
component responsible for defining the complex events
patters that should be monitored and detected. Therefore,
an important improvement for applying machine learning
algorithms in event-based application is to develop a
framework that would allow easy integration of existing
algorithms with event processing techniques.
A first step in achieving such integration is choosing a
scenario for running experiments. One example is the smart
cities scenarios, as there can identified many data sources
and use cases for data mining and CEP. In this paper we are
proposing such a scenario, identify the data sources and run
preliminary experiments for analysing the data. Future steps
are discussed in the direction of using CEP engines with the
patterns discovered and defining a framework for an easier
integration of data mining and CEP.
The rest of the paper is structured as follows: Section 2
describes the smart cities scenario and introduces one use
case considering the city of London. Data integration and
preprocessing is presented in Section 3, while Section 4
discusses the result of data mining. Finally we conclude the
paper and identify future directions.

ผลลัพธ์ (ไทย) 1:

หรือมันสามารถกลับมาเป็นข้อมูลป้อนให้โปรแกรม CEP บทบาทที่ลายของเหตุการณ์ที่จะระบุวิธีการขาเข้า กิจกรรมควรจะประมวลผลเพื่อดึงข้อมูลที่เกี่ยวข้อง ข้อมูล ภาษาที่ใช้ในการกำหนดรูปแบบเหล่านี้ ควรมีความสามารถในการระบุความสัมพันธ์ที่ซับซ้อน ระหว่างเหตุการณ์ที่ไหลเข้าเครื่องยนต์ CEP วิธีทั่วไปในการกำหนดรูปแบบของกิจกรรมคือการ พวกเขาระบุด้วยตนเอง นี้จะกระทำอย่างใดอย่างหนึ่ง โดยโดเมน ผู้เชี่ยวชาญ ความสามารถในการให้คำจำกัดความของเหตุการณ์ patters โดยเครื่องมือของระบบ CEP ในภายนอก ใบสั่ง การค้นพบรูปแบบเหล่านี้เข้าไว้ในการ การประมวลผลภาษา (ก) เหตุการณ์ อย่างไรก็ตาม เราเห็นตัว รวมของกระบวนการเรียนรู้เครื่องกับ CEP ระบบ แก้ไขปัญหาการสนับสนุนโดยตรงในข้อกำหนดของ รูปแบบของเหตุการณ์ แม้ว่าจำนวนงานวิจัยขนาดใหญ่มี การดำเนินการในพื้นที่เช่นการรู้จำรูปแบบ และ หลอมข้อมูล multisensor ระบบพัฒนาขึ้นสำหรับหลาย โปรแกรม CEP มีการรวม ด้วยเทคนิคดังกล่าว แต่แทนที่จะ พิจารณาบุคคล ส่วนประกอบที่รับผิดชอบในการกำหนดเหตุการณ์ซับซ้อน patters ที่ควรตรวจสอบ และตรวจพบ ดังนั้น การปรับปรุงที่สำคัญสำหรับการเรียนรู้ของเครื่องใช้ อัลกอริทึมในโปรแกรมประยุกต์ตามเหตุการณ์จะพัฒนาเป็น กรอบที่จะให้รวมอยู่ อัลกอริทึม ด้วยเทคนิคการประมวลผลเหตุการณ์ เลือกขั้นตอนแรกในการบรรลุเป้าหมายดังกล่าวรวมเป็น สถานการณ์สมมติสำหรับการรันการทดลอง ตัวอย่างหนึ่งคือ สมาร์ท สถานการณ์การเมือง เป็นมีสามารถระบุแหล่งข้อมูลมากมาย และใช้กรณี CEP และการทำเหมืองข้อมูล ในเอกสารนี้ เราจะ เสนอสถานการณ์ดังกล่าว ระบุแหล่งข้อมูล และเรียกใช้ การทดลองเบื้องต้นในการวิเคราะห์ข้อมูล ขั้นตอนต่อไปในอนาคต กล่าวถึงทิศทางของการใช้เครื่องยนต์ CEP รูปแบบค้นพบ และการกำหนดกรอบสำหรับการได้ง่ายขึ้น รวมของการทำเหมืองข้อมูลและ CEP ส่วนเหลือของกระดาษจัดโครงสร้างดังนี้: 2 ส่วน อธิบายสถานการณ์เมืองสมาร์ท และแนะนำการใช้ กรณีพิจารณาเมืองลอนดอน รวมข้อมูล และ ประมวลผลเบื้องต้นนำเสนอใน 3 หัวข้อ ขณะที่ ๔ กล่าวถึงผลของการทำเหมืองข้อมูล สุดท้าย เราสรุปการ กระดาษ และระบุทิศทางในอนาคต

ผลลัพธ์ (ไทย) 2:

หรือสามารถกลับมาเป็นอินพุทกับเครื่องยนต์ CEP.
บทบาทเหตุการณ์กุกกักคือการระบุวิธีการที่เข้ามา
เหตุการณ์ที่ควรจะดำเนินการเพื่อสกัดที่เกี่ยวข้อง
ข้อมูล ภาษาที่ใช้ในการกำหนดรูปแบบเหล่านี้
ควรจะมีความสามารถในการระบุความสัมพันธ์ที่ซับซ้อน
ท่ามกลางเหตุการณ์ที่ไหลเข้าไปในเครื่องยนต์ CEP.
วิธีการทั่วไปในการกำหนดรูปแบบของเหตุการณ์คือการ
ระบุด้วยตนเอง นี้จะกระทำอย่างใดอย่างหนึ่งโดยโดเมน
ผู้เชี่ยวชาญที่มีความสามารถในการให้คำนิยามของ patters เหตุการณ์
หรือโดยการใช้เครื่องมืออื่น ๆ ภายนอกของระบบ CEP ใน
เพื่อที่จะค้นพบรูปแบบเหล่านี้และจากนั้นเข้ารหัสพวกเขาใน
การประมวลผลภาษาเหตุการณ์ (EPL) แต่เราจะเห็น
การรวมกลุ่มของขั้นตอนวิธีการเรียนรู้ของเครื่องกับ CEP
ระบบเป็นโซลูชั่นสำหรับการสนับสนุนโดยตรงในความหมายของ
รูปแบบการจัดกิจกรรม แม้ว่าจำนวนมากของการวิจัยได้
รับการดำเนินการในพื้นที่เช่นการจดจำรูปแบบและ
Multisensor ฟิวชั่นข้อมูลระบบที่พัฒนาขึ้นสำหรับหลาย
แอปพลิเค CEP ไม่ให้เชื่อมต่อ
กับเทคนิคดังกล่าว แต่พิจารณามนุษย์
องค์ประกอบที่รับผิดชอบในการกำหนดความซับซ้อน เหตุการณ์
patters ที่ควรจะตรวจสอบและตรวจพบ ดังนั้น
การปรับปรุงที่สำคัญสำหรับการใช้กลไกการเรียนรู้
ขั้นตอนวิธีการในการประยุกต์ใช้เหตุการณ์ตามคือการพัฒนา
กรอบการทำงานที่จะช่วยให้การรวมง่ายที่มีอยู่ของ
อัลกอริทึมที่มีเทคนิคการประมวลผลเหตุการณ์.
ขั้นตอนแรกในการบรรลุบูรณาการดังกล่าวคือการเลือก
สถานการณ์สำหรับการทำงานการทดลอง ตัวอย่างหนึ่งคือสมาร์ท
เมืองสถานการณ์ที่มีสามารถระบุแหล่งที่มาของข้อมูลจำนวนมาก
และกรณีการใช้งานสำหรับการทำเหมืองข้อมูลและรหัสไปรษณีย์ ในบทความนี้เราจะ
นำเสนอสถานการณ์เช่นระบุแหล่งที่มาของข้อมูลและเรียกใช้
การทดลองเบื้องต้นในการวิเคราะห์ข้อมูล ขั้นตอนในอนาคต
จะกล่าวถึงในทิศทางของการใช้เครื่องมือ CEP ที่มี
รูปแบบการค้นพบและการกำหนดกรอบการทำงานสำหรับง่าย
บูรณาการของการทำเหมืองข้อมูลและ CEP.
ส่วนที่เหลือของกระดาษที่มีโครงสร้างดังนี้ส่วนที่ 2
อธิบายถึงสถานการณ์ที่เมืองสมาร์ทและแนะนำการใช้งานอย่างใดอย่างหนึ่ง
กรณีพิจารณาของกรุงลอนดอน บูรณาการข้อมูลและการ
ประมวลผลเบื้องต้นจะนำเสนอในส่วนที่ 3 ในขณะที่ส่วนที่ 4
กล่าวถึงผลของการทำเหมืองข้อมูล ในที่สุดเราสรุป
กระดาษและระบุทิศทางในอนาคต

ผลลัพธ์ (ไทย) 3:

หรือมันสามารถกลับมาเป็นเข้าเซปเครื่องยนต์ บทบาทในเหตุการณ์เสียงเปาะแปะคือระบุว่า เหตุการณ์ที่เข้ามา
ควรจะดำเนินการเพื่อดึงข้อมูลที่เกี่ยวข้อง

ภาษาที่ใช้ในการกำหนดรูปแบบ
เหล่านี้ควรมีความสามารถในการระบุความสัมพันธ์ระหว่างเหตุการณ์ซับซ้อน
เซปไหลเข้าไปในเครื่องยนต์
วิธีการทั่วไปในการกำหนดรูปแบบของกิจกรรมคือ
ด้วยตนเองระบุพวกเขา นี้จะกระทำโดยโดเมน
ผู้เชี่ยวชาญที่มีความสามารถในการให้ความหมายของเหตุการณ์ patters
หรือโดยการใช้เครื่องมืออื่น ๆภายนอกของเห็ดกินได้ชนิดหนึ่งในระบบ
เพื่อที่จะค้นพบรูปแบบเหล่านี้และเข้ารหัสใน
เหตุการณ์การประมวลผลภาษา ( ลีก ) แต่เราเห็น
รวมของอัลกอริทึมการเรียนรู้ของเครื่องจักรกับระบบเซป
,เป็นโซลูชั่นสำหรับการสนับสนุนโดยตรงในนิยามของ
รูปแบบเหตุการณ์ แม้ว่าจำนวนมากของการวิจัยได้
ถูกดำเนินการในพื้นที่ เช่น ลวดลายและ
ฟิวชั่นข้อมูล multisensor , พัฒนาระบบหลาย
เซปการใช้งานไม่ให้
รวมราบรื่นด้วยเทคนิคดังกล่าว แต่พิจารณามนุษย์
ส่วนรับผิดชอบกำหนดเหตุการณ์ซับซ้อน
patters ที่ควรจะตรวจสอบและตรวจพบ ดังนั้น การปรับปรุงที่สำคัญสำหรับการใช้เครื่อง

ขั้นตอนวิธีการเรียนรู้ในกิจกรรมตามโปรแกรม เพื่อพัฒนา
กรอบที่จะอนุญาตให้รวมง่ายของที่มีอยู่
ขั้นตอนวิธีการประมวลผลกับงานเทคนิค
ขั้นตอนแรกในการบูรณาการดังกล่าวคือการเลือก
ฉากวิ่งทดลอง ตัวอย่างหนึ่งคือสมาร์ท
เมืองนี้ มีแหล่งข้อมูลมากมายที่สามารถระบุ
กรณีใช้สำหรับเซปเหมืองแร่และข้อมูล ในกระดาษนี้เรา
เสนอสถานการณ์ดังกล่าว ระบุแหล่งข้อมูลและเรียกใช้
การทดลองเบื้องต้นเพื่อการวิเคราะห์ข้อมูล
ขั้นตอนในอนาคตจะกล่าวถึงในทิศทางของการใช้เครื่องยนต์แบบเซป
ค้นพบและการกำหนดกรอบง่าย
การรวมกลุ่มของเซปเหมืองแร่และข้อมูล
ส่วนที่เหลือของกระดาษมีโครงสร้างดังต่อไปนี้ มาตรา 2
อธิบายสถานการณ์เมืองสมาร์ทและเปิดตัวหนึ่งใช้
กรณีพิจารณาเมืองลอนดอน รวมข้อมูล และการเตรียมเสนอ
มาตรา 3 มาตรา 4
เมื่อกล่าวถึงผลของการทำเหมืองข้อมูล สุดท้าย เราสรุป
กระดาษและระบุเส้นทางในอนาคต