Dipendenze Funzionali Temporali Approssimate basate su Grouping Temporali: modellazione, derivazione e prime valutazioni su dati psichiatrici

Le moderne tecnologie permettono acquisizioni e elaborazioni di informazione in quantità inedite. Una sfida che accomuna tutte le organizzazioni è quella di gestire l’overload informativo che ne deriva, trasformando i molti dati a disposizione in informazioni utili all’attività decisionale.
Ben consolidate sono le metodologie che si occupano di estrarre informazione dai dati e che rientrano nella disciplina del Data mining.
Un filone ancora poco esplorato è il Data mining temporale, che cerca di introdurre il tempo nelle analisi classiche di mining.

Un medico potrebbe chiedersi: “ci sono periodi dell’anno nei quali le assistenze telefoniche offerte per una particolare patologia richiedono sempre un certo numero di personale coinvolto?”, oppure il manager di un’azienda di logistica può essere interessato a rispondere alla domanda: “considerando un particolare articolo merceologico, c'è una relazione tra gli ordini effettuati a distanza di meno di 15 giorni e la quantità richiesta?”. Per elaborare le risposte a questo tipo di domande serve uno strumento con il quale esprimere associazioni esatte o approssimate tra i concetti (o attributi) coinvolti; ad esempio, il fatto che la particolare patologia richieda sempre un certo numero di personale coinvolto sarà espresso tramite una Dipendenza Funzionale (FD) tra l’attributo patologia e l’attributo personale; mentre, se il fatto venisse riformulato in “la particolare patologia solitamente richiede un certo numero di personale coinvolto” parleremo di Dipendenza Funzionale Approssimata (AFD) ammettendo così delle eccezioni alla regola FD. Tuttavia, questi strumenti non sono abbastanza potenti per esprimere le domande formulate dal medico e dal manager poichè non considerano un altro aspetto coinvolto: il tempo. Le associazioni tra gli attributi infatti vanno valutate in particolari intervalli temporali (ad esempio mese per mese, anno per anno, nei 15 giorni successivi).

Il lavoro di tesi si propone di definire ed estrarre dai dati nuove regole di associazione chiamate Dipendenze Funzionali Temporali Approssimate (ATFD) che legano i tre aspetti appena considerati: la dipendenza tra gli attributi, l’approssimazione e il tempo.
Dopo aver inquadrato formalmente il problema, vengono proposte soluzioni algoritmiche arrivando ad un sistema di estrazione applicabile a data set reali e facilmente integrabile con il sistema informativo esistente.