Проблемно-ориентированное расширение СУБД PostgreSQL для интеллектуального анализа временных рядов

Андрей Игоревич Гоглачев,Максим Сергеевич Подседов,Михаил Леонидович Цымблер,Алексей Артемьевич Юртин

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Проблемно-ориентированное расширение СУБД PostgreSQL для интеллектуального анализа временных рядов

А. И. Гоглачев,

М. С. Подседов,

М. Л. Цымблер,

А. А. Юртин

2024-11-26

https://doi.org/10.24108/preprints-3113204

В работе представлено проблемно-ориентированное расширение свободной СУБД PostgreSQL, поддерживающее хранение и интеллектуальный анализ временных рядов. Данное расширение основано на внедрении в СУБД концепции матричного профиля временного ряда. Матричный профиль (МП) представляет собой структуру данных, которая резюмирует временной ряд, сохраняя для каждой подпоследовательности ряда индекс и расстояние до ее ближайшего соседа (подпоследовательности ряда, наиболее похожей на данную). МП служит основой для поиска различных аналитических примитивов временного ряда (диссонансы, сниппеты и др.) и решения различных задач, специфичных для конкретной предметной области (восстановление, прогноз рядов и др.). Предусматриваются таблицы для хранения МП и аналитических примитивов, найденных на их основе. Расширение предоставляет пользователю функционал визуализации рядов, МП и найденных на их основе аналитических примитивов. Реализация расширения допускает его использование в виде микросервиса.

Ссылка для цитирования:

Гоглачев А. И., Подседов М. С., Цымблер М. Л., Юртин А. А. 2024. Проблемно-ориентированное расширение СУБД PostgreSQL для интеллектуального анализа временных рядов. PREPRINTS.RU. https://doi.org/10.24108/preprints-3113204

Список литературы

1. Shukla R.K., Sharma P., Samaiya N., Kherajani M. Web Usage Mining-A Study of Web data pattern detecting methodologies and its applications in 44 Data Mining. // 2nd International Conference on Data, Engineering and Applications (IDEA), Bhopal, India, 2020. – 1–6 pp

2. Stumpy. [Электронный ресурс] URL: https://pypi.org/project/stumpy/ (дата обращения: 11.01.2024 г.).

3. Matplotlib. [Электронный ресурс] URL: https://pypi.org/project/matplotlib/ (дата обращения: 11.08.2024 г.).

4. Influx data. [Электронный ресурс] URL: https://www.influxdata.com/ (дата обращения: 12.01.2024 г.).

5. ClickHouse. [Электронный ресурс] URL: https://dbengines.com/en/system/ClickHouse (дата обращения: 12.08.2024 г.).

6. Graphite. [Электронный ресурс] URL: https://graphiteapp.org/ (дата обращения: 16.08.2024 г.).

7. Azure Time Series Insights. [Электронный ресурс] URL: https://www.sqlshack.com/introduction-to-azure-time-series-insights/ (дата обращения: 16.01.2024 г.).

8. Zhu Y., Gharghabi S., Silva D.F., Dau H.A., Yeh C.-C.M., Senobari N.S., Almaslukh A., Kamgar K., Zimmerman Z., Funning G., Mueen A., Keogh E. The Swiss army knife of time series data mining: Ten useful things you can do with the matrix profile and ten lines of code. // Data Min. Knowl. Discov., 2020. – 949–979 pp.

9. Иванова Е.В., Цымблер М.Л. Внедрение концепции матричного профиля в реляционную СУБД для интеллектуального анализа временных рядов. // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика, 2021. – Т. 10, № 3. – С. 72–87.

10. Keogh E., Lin J., Fu A. HOT SAX: efficiently finding the most unusual time series subsequence. // Proceedings of the 5th IEEE International Conference on Data Mining, ICDM’05 (Houston, Texas, November, 27–30, 2005), 2005. – 8 pp.

11. Imani S., Madrid F., Ding W., Crouter S.E., Keogh E.J. Introducing time series snippets: a new primitive for summarizing long time series. // Data Min. Knowl. Discov, 2020. – 1713–1743 pp.

12. Imani S., Madrid F., Ding W., Crouter S.E., Keogh E.J., Wu X., Ong Y., Aggarwal C.C., Chen H. Matrix Profile XIII: Time Series Snippets: A New Primitive for Time Series Data Mining. // 2018 IEEE International Conference on Big Knowledge, ICBK 2018, Singapore, November 17–18, 2018, IEEE Computer Society, 2018. – 382–389 pp.

13. Zhu Y., Imamura M., Nikovski D., Keogh E., Matrix Profile VII: Time Series Chains: A New Primitive for Time Series Data Mining (Best Student Paper Award). // 2017 IEEE International Conference on Data Mining (ICDM), New Orleans, LA, USA, 2017. – 695–704 pp.

14. SqlAlchemy. [Электронный ресурс] URL: https://docs.sqlalchemy.org/en/20/orm/ (дата обращения: 20.07.2024 г.)

15. Alembic. [Электронный ресурс] URL: https://pypi.org/project/alembic/ (дата обращения: 15.06.2024 г.).

16. Vue.js - The Progressive JavaScript Framework [Электронный ресурс] URL: https://vuejs.org/ (дата обращения: 10.06.2024 г.).

17. DevExtreme - JavaScript UI Components [Электронный ресурс] URL: https://js.devexpress.com/ (дата обращения: 14.06.2024 г.)

ПРЕПРИНТ

ИНФОРМАЦИЯ