关联规则挖掘在道路交通事故分析中的应用

城市机动车数量的增加已经导致城市交通事故的频繁发生,能否对已发生事故做出正确的分析将直接影响到能否对未来类似事故的成功避免.随着社会的发展,道路交通事故系统的复杂性也在逐渐增强,传统的分析、预防方法已呈现其局限性.现提出一种使用数据挖掘领域中的多维关联规则技术分析大量交通事故记录的方法,通过找出可能导致交通事故发生的频繁因素组合来发现某些事故发生的规律,以期为道路安全管理提供科学的决策依据.通过该方法,我们可以有效地识别和发现事故数据的新模式,且能为交通管理决策提供有效支持,该方法易于实现,便于推广.     

电动自行车交通事故严重程度影响因素分析——以杭州市为例

电动自行车交通事故已经成为我国许多城市的重要交通安全隐患。以杭州市新塘街道涉及电动自行车的交通事故数据为基础,首先从交通事故时间分布、空间分布、影响因素等方面进行了数据统计分析,接着定量分析了造成电动自行车交通安全事故的主要原因。然后,建立了电动自行车交通事故严重程度影响因素的Logistic模型,结果表明骑行人年龄、事故违法行为以及事故种类是影响电动自行车交通事故严重程度的主要因素。最后,提出了电动自行车交通管理的相关对策建议,为电动自行车交通事故预防与安全管理提供了依据。     

WHPM-Apriori:网页超链接挖掘的Apriori改进算法

网页链接关系的设计影响到用户的访问效率,通过日志挖掘发现网页间的关联关系,使网站设计更趋合理,便于用户访问.为了提取页面间的关系,日志数据预处理后,利用Apriori算法发现频繁集,找到页面间的关联规则.网站结构主要由网页和网页间的超链接组成,针对网页超链接结构的特点:一条超链接只能建立在两个网页上.发现频繁集只需找出所有2-项集即可.提出网页超链接挖掘的Apriori改进算法(WPHM-Apriori).实验表明,该算法有效地降低Apriori的时间复杂度.     

我国公路交通安全状况综述

本文阐述了我国道路交通安全形势,以及在此形势下公路交通安全设施标准化的必要性,并提出一种新的数据分析方法,其结合了数据挖掘领域中的多维关联规则技术和概率统计学中的多元线性回归模型,充分发挥两者的优点。在对大量交通事故记录的方法进行分析中,找出交通事故的发生规律,从中得出直观的参数函数,使得交通管理人员或城市规划者能在交通管理中方便地运用这些函数,不但可以对交通事故的产生做定量的分析,还可以直观地获得改进建议,以预防道路交通事故的发生.     

基于数组的Apriori算法在体质测试数据分析中的应用

识别所有频繁项目集是Apriori算法的核心,针对关联规则中Apriori算法存在的运行效率和存储空间上的不足,提出一种基于数组的Apriori算法,从而减少了候选频繁集冗余,提高了算法效率.对高校学生体质测试项目进行挖掘分析,找出了各测试项的关联关系并对各测试项目设置的合理性进行了判断.     

一种基于Map Reduce的关联规则挖掘算法

提出了一种基于Map Reduce模型的Apriori改进算法,该算法利用Map Reduce模型分布式处理海量的输入数据,结合Apriori算法,得到局部频繁项集,通过聚合处理得到全局频繁项集.实验证明,该算法是有效的.     

基于候选项集剪枝的Apriori算法的研究

在大数据挖掘中使用经典Apriori算法时,会产生大量的候选集,并需要扫描数据库中所有数据,使得其在实现过程中效率大大降低。为了提高Apriori算法的应用效率,通过建立线性链表记录每个事务中的项数,以达到事务压缩的目的;设置up值来提高1-项频繁集组合的门槛,发现支持度比较大的2-项候选集,以达到剪枝的目的;通过实验来设置up的取值范围,使最终产生的频繁项集的误差能够在接受的范围。实验证明提出的改进方法可以在找出绝大部分关联规则的同时,提高算法运行的效率。     

时间差异条件下的高速公路交通事故致因分析

为探究高速公路交通事故各影响因素间的内在关联,揭示交通事故发生机理,保障高速公路行车安全,基于河北省2018年高速公路事故数据集,应用考虑定向约束的Apriori算法,分别对工作日和休息日的高速公路交通事故进行了关联规则挖掘,得到3类隐藏规则.研究表明:无论是工作日或休息日,事故通常发生在常规外部条件下,但不良道路条件和不利外界环境的耦合作用更容易引发事故;工作日和休息日导致重大事故和一般事故的形态存在一定差异;采用改进Apriori算法的准确度较原始算法提升了92.8％,证实了改进算法适用于高速公路风险因子的识别,有助于提升该领域的交通安全.     

一种基于分类的关联规则Apriori算法

关联规则的Apriori算法,在频繁项集的过程中要多次扫描数据库,而事务数据库中含有较多的冗余数据,极大地影响了频繁项集的提取效率。针对这些问题,提出一种基于分类的Apriori算法,在频繁项集提取以前,用分类的方法去掉无关冗余数据。实验结果表明这种方法较好地提高了Apriori算法的性能,在实践中有一定的应用价值。     

I-Apriori：一种基于Spark平台的改进Apriori算法

针对Apriori算法在第二次迭代过程中产生大量候选集的弊端,在Spark大数据框架下,将Apriori算法进行并行化处理。提出一种基于Spark平台的改进Apriori算法——I-Apriori;该算法利用Spark基于内存计算的抽象对象(RDD)存储频繁项集,在第二次迭代中,通过使用改进的布隆过滤器存储频繁1项集,消除候选集生成,减少数据库扫描次数,提高算法效率。实验结果表明,相比基于Spark平台的Apriori算法进行性能评估,I-Apriori算法具有更优的性能,能够较大程度地提高大数据关联规则挖掘的效率。     

累积比数Logistic回归模型及其应用

在临床医学中评价某种疾病的不同治疗方案效果,进行影响因素分析,可以优化治疗方案,也为制定医疗保障补偿方案提供科学依据.应用累积比数Logistic回归模型,以1 117例急性心肌梗塞（AMI）患者的治疗效果为因变量,以其影响因素为自变量,进行回归分析,找出对治疗效果影响显著的因素.结果表明应用该模型拟合有序多分类变量数据是有效的.     

基于图的频繁项集挖掘

通过对Apriori算法的频繁项目集的分析研究,给出了基于图的频繁项集挖掘算法.该算法在求频繁K-项集的过程中只需一次扫描数据库,避免了Apriori算法需多次扫描数据库的不足.同时,由于在有向图中利用有限节点之间的路径求频繁K-项集,该算法减少了Apriori算法中需多次进行连接运算的不足.     

基于简单双矩阵的关联规则算法研究

针对关联规则挖掘中传统Apriori算法需要通过多次扫描数据库来发现频繁项集的问题,提出一种基于简单双矩阵的方法来实现频繁项集的发现．该方法仅需要扫描数据库一次,并充分利用项集的出现次数和是否出现逻辑值来获取频繁项集．实验表明,该方法比Apriori算法更高效．     

基于关联规则的考试数据挖掘

以总结学生各门考试成绩内在联系规则为目的,构建事实星座模型对考试数据所组成的数据仓库进行描述,并采用关联规则挖掘方法中的Apriori算法,对数据仓库中的数据进行分阶处理,生成频繁数据集,发现了各门成绩潜藏的内在规则,得出了一门功课成绩的好坏是由多门功课学习成绩情况所决定的结论,该结论能为教育决策提供一定的依据．     

改进的关联算法在高校学生综合测评中的应用

利用数据挖掘的关联规则对淮北职业技术学院教务系统中的学生信息进行分析,采用Apriori算法完成学生数据间的关联挖掘,生成关联规则。发现影响学生综合测评的因素,为教学管理部门提供参考。     

数据挖掘中的剔除非频繁项超集法

在关联规则数据挖掘中，根据非频繁项的超集仍是非频繁项的结论，总结出一种高效的关联规则算法：剔除非频繁项超集法，并与经典的Apriori算法作比较，其效率比Apriori算法高。     

基于混沌自适应粒子群算法的Logistic回归健康评估模型参数计算

Logistic回归健康评估模型是一种重要的健康状况评估模型,其参数选择对模型的质量有着重大影响。本文提出了一种混沌自适应粒子群算法求解Logistic回归健康评估模型参数。该算法引入惯性权重自适应策略和混沌优化策略加强算法的局部搜索能力、采用适应度方差来解决算法的早熟问题。为了验证所提出算法,本文建立了基于心率、体温、血压等健康评价指标的Logistic回归流行性感冒评估模型。仿真实验表明,本文算法能获得较优的Logistic回归流行性感冒评估模型的参数;采用该参数的Logistic回归流行性感冒评估模型的评估准确率为83.09%,能起到较好的辅助评估作用。     

关联规则挖掘的Apriori算法综述

关联规则挖掘是数据挖掘研究领域中的一个重要任务,旨在挖掘事务数据库中有意义的关联。随着大量数据不停的收集和存储,从数据库中挖掘关联规则显得越来越有必要性,关联规则挖掘的Apriori算法是数据库挖掘的最经典算法并得到广泛应用,在介绍关联规则挖掘和Apriori算法的基础上,发现Apriori算法存在着产生候选项目集效率低和频繁扫描数据等缺点。综述了Apriori算法的主要优化方法,并指出了Apriori算法在实际中的应用领域,提出了未来Apriori算法的研究方向和应用发展趋势。     

关联规则技术在教务管理中的应用

识别所有频繁项集是Apriori算法的核心.结合偏好信息的思想,对关联规则中的Apriori算法进行改进,减少候选频繁集冗余,提高了算法效率,并对学生成绩进行挖掘分析,找到影响成绩的内在因素.     

基于岭回归的城市交通安全评价模型

使用岭回归的方法研究了2010年中国各地区交通事故发生起数与诸多可能影响因素数据并建立了回归模型.结果表明,城市交通安全的显著影响因素按照影响强度依次有：公共汽（电）车辆数、轨道交通、出租汽车辆数、失业人员数量、摩托车拥有量.且公共汽（电）车与摩托车辆数对交通事故发生起数为正影响,其它三个因素为负影响.需要注意的是家用汽车数量对交通事故的影响并不显著.