Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Outlier Detection for Video Session Data Using Sequential Pattern Mining
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.
Högskolan i Jönköping, Tekniska Högskolan, JTH, Datateknik och informatik, JTH, Jönköping AI Lab (JAIL). Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.ORCID-id: 0000-0002-0535-1761
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.
Visa övriga samt affilieringar
2018 (Engelska)Ingår i: ACM SIGKDD Workshop On Outlier Detection De-constructed, 2018Konferensbidrag, Enbart muntlig presentation (Refereegranskat)
Abstract [en]

The growth of Internet video and over-the-top transmission techniqueshas enabled online video service providers to deliver highquality video content to viewers. To maintain and improve thequality of experience, video providers need to detect unexpectedissues that can highly affect the viewers’ experience. This requiresanalyzing massive amounts of video session data in order to findunexpected sequences of events. In this paper we combine sequentialpattern mining and clustering to discover such event sequences.The proposed approach applies sequential pattern mining to findfrequent patterns by considering contextual and collective outliers.In order to distinguish between the normal and abnormal behaviorof the system, we initially identify the most frequent patterns. Thena clustering algorithm is applied on the most frequent patterns.The generated clustering model together with Silhouette Index areused for further analysis of less frequent patterns and detectionof potential outliers. Our results show that the proposed approachcan detect outliers at the system level.

Ort, förlag, år, upplaga, sidor
2018.
Nyckelord [en]
Cluster Analysis, Data Stream Mining, Outlier Detection, Sequential Pattern Mining
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:hj:diva-42997OAI: oai:DiVA.org:hj-42997DiVA, id: diva2:1288963
Konferens
ACM SIGKDD Workshop On Outlier Detection De-constructed, London,
Forskningsfinansiär
KK-stiftelsen, 20140032Tillgänglig från: 2019-02-15 Skapad: 2019-02-15 Senast uppdaterad: 2019-08-20Bibliografiskt granskad

Open Access i DiVA

fulltext(1030 kB)10 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1030 kBChecksumma SHA-512
d9eb8b6ce5e19f5a4ded3f5cb700cf1dd2d97d5cfe09d21459c37d0381a8e7e613e20cf9c7e53720515c4dad2afa073937327b707e70f35fa70b3868961ea866
Typ fulltextMimetyp application/pdf

Övriga länkar

Outlier Detection for Video Session Data Using Sequential Pattern Mining

Personposter BETA

Lavesson, Niklas

Sök vidare i DiVA

Av författaren/redaktören
Lavesson, Niklas
Av organisationen
JTH, Jönköping AI Lab (JAIL)
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 10 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 48 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf