Temporal Data Mining (การขุดข้อมูลเชิงเวลา) นิยามกระบวนการแยกข้อมูล Non-trivial, Implicit และ Potentially Essential จากชุดข้อมูล Temporal ขนาดใหญ่ Temporal Data เป็น Series ของ Primary Data Types โดยทั่วไปเป็น Numerical Values และจัดการกับการรวบรวม Beneficial Knowledge จาก Temporal Data
วัตถุประสงค์ของ Temporal Data Mining คือค้นหา Temporal Patterns, Unexpected Trends หรือ Hidden Relations หลายอย่างใน Higher Sequential Data ที่ประกอบด้วย Sequence ของ Nominal Symbols จาก Alphabet ที่เรียกว่า Temporal Sequence และ Sequence ของ Continuous Real-valued Components ที่เรียกว่า Time Series โดยใช้ชุดแนวทางจาก Machine Learning, Statistics และ Database Technologies
Temporal Data Mining ประกอบด้วย 3 งานหลัก ได้แก่ Description of Temporal Data (คำอธิบายข้อมูลเชิงเวลา) Representation of Similarity Measures (การแทนค่าความคล้ายคลึง) และ Mining Services (บริการขุดข้อมูล)
Temporal Data Mining รวม Processing Time Series โดยทั่วไปเป็น Sequences ของข้อมูล ซึ่งคำนวณค่าของ Attribute เดียวกันที่ Sequence ของ Multiple Time Points Pattern Matching โดยใช้ข้อมูลดังกล่าว ที่ค้นหา Patterns เฉพาะที่สนใจ ได้ดึงดูดความสนใจมากใน Recent Years
Temporal Data Mining สามารถรวม Exploitation ของ Efficient Techniques ของ Data Storage, Quick Processing และ Quick Retrieval Methods ที่พัฒนาสำหรับ Temporal Databases
Temporal Data Mining เป็น Individual Phase ในกระบวนการ Knowledge Discovery ใน Temporal Databases ที่คำนวณ Temporal Patterns จาก หรือ Fit Models ไปยัง Temporal Data เป็น Temporal Data Mining Algorithm
Temporal Data Mining กังวลกับ Analysis ของ Temporal Data และการค้นพบ Temporal Patterns และ Consistencies ใน Sets ของ Temporal Information ยังอนุญาตให้เป็นไปได้ของ Computer-driven Automatic Exploration ของข้อมูล มีงานต่างๆ ใน Temporal Mining ดังนี้:
- Data Characterization และ Comparison (ลักษณะข้อมูลและการเปรียบเทียบ)
- Clustering Analysis (การวิเคราะห์การจัดกลุ่ม)
- Classification (การจัดประเภท)
- Association Rules (กฎเชื่อมโยง)
- Pattern Analysis (การวิเคราะห์รูปแบบ)
- Prediction และ Trend Analysis (การทำนายและการวิเคราะห์แนวโน้ม)
Temporal Data Mining นำไปสู่วิธีใหม่ของการโต้ตอบกับ Temporal Database และการระบุ Queries ที่ระดับนามธรรมสูงกว่ามาก เทียบกับ Temporal Structured Query Language ยังสนับสนุน Data Exploration สำหรับปัญหาที่เกิดจาก Multiple และ Multi-dimensionality
เป้าหมายพื้นฐานของ Temporal Classification คือพยากรณ์ Temporally Related Fields ใน Temporal Database บนพื้นฐาน Fields อื่นๆ ปัญหาโดยทั่วไปถูก Cast เป็นการตัดสินใจ General Value ของ Temporal Variable ที่พยากรณ์ กำหนด Fields ต่างๆ Training Data ที่ Target Variable ให้สำหรับแต่ละ Observation และชุด Assumptions ที่แทน Prior Knowledge ของปัญหา Temporal Classification Techniques เกี่ยวข้องกับปัญหา Density Estimation ที่ซับซ้อน
