高效时间间隔关联模式挖掘算法TIRPMiner：基于位置压缩与剪枝策略的优化研究

针对时间间隔关联模式(TIRP)挖掘中搜索空间大、数据结构冗余及缺乏剪枝策略等问题，研究人员提出TIRPMiner算法，通过位置压缩算法减少内存占用，结合occurrence-list和v-table优化计算效率，并设计UCTP和UCOP剪枝策略提前终止无效扫描。实验证明该算法在真实与合成数据集上均优于现有方法，为医疗、物联网等领域提供更高效的时序模式分析工具。

　　

时间序列数据分析在医疗、物联网等领域的应用日益广泛，但传统方法在处理时间间隔关联模式（Time Interval-Related Pattern, TIRP）时面临巨大挑战。与序列模式挖掘（Sequential Pattern Mining, SPM）相比，TIRP的搜索空间因7种复杂时序关系（如before、overlaps等）呈指数级增长，达到7ⁿ²量级。现有算法如STIPA、vertTIRP虽通过前缀树存储事件发生信息以减少数据库扫描，但随着树深度增加，数据结构规模爆炸性增长，且缺乏有效剪枝机制。例如，在重复间隔序列（如患者多次血压记录或家电重复使用记录）中，传统方法可能遗漏关键模式，导致支持度计算错误。

针对上述问题，广东某省重点实验室的研究团队在《Knowledge-Based Systems》发表论文，提出TIRPMiner算法。该研究通过位置压缩算法将事件发生位置编码为单整数（position index），显著降低内存消耗；设计occurrence-list和v-table减少解压操作，并首创UCTP（Unpromising Candidate TIRP Pruning）和UCOP（Unpromising Candidate Occurrence Pruning）剪枝策略，提前终止低频模式扩展。实验表明，TIRPMiner在医疗EHR和智能家居数据集上效率提升显著，尤其适用于含重复事件的场景。

关键技术包括：1）位置压缩算法及增量计算方法；2）occurrence-list和v-table数据结构优化关系计算；3）基于支持度阈值的UCTP/UCOP剪枝策略；4）利用真实医疗EHR和合成数据集验证性能。

研究结果：
位置压缩算法：将事件位置压缩为position index，内存占用仅为传统方法的1/5。例如，序列{A,B,A,C,B,B,A,B}中二级节点存储量从8倍降至近似线性增长。
剪枝策略：UCTP在扫描50%序列时即可识别90%低频TIRP，UCOP减少30%冗余计算。
实验对比：在合成数据集上，TIRPMiner运行时间比Z-Miner缩短40%，在医疗数据中支持度计算速度提升2倍。

结论指出，TIRPMiner首次实现TIRP挖掘中存储与计算效率的协同优化，其剪枝策略为时序模式挖掘提供新范式。该成果尤其适用于高血压、持续低血糖等重复医疗事件分析，以及智能家电使用模式挖掘，为下游分类、预测任务奠定基础。讨论部分强调，未来可结合深度学习进一步优化relation计算，并将算法扩展至分布式系统以处理超大规模数据。

（注：全文细节均依据原文，未添加非原文信息；术语如TIRP、SPM等首次出现时标注英文全称；上下标严格按原文格式使用^{/_{标签；作者单位按要求隐去英文名称。）}}