多粒度时间序列中模糊规则的提取

介绍了一种从多粒度时间序列中提取模糊规则的数据挖掘方法,该方法在时间序列中引入多重时间粒度,以模糊规则的形式给出数据挖掘的结果,建立多粒度时间序列的数学模型,并对提取模糊规则中所涉及的一些基本概念作出定义,在此基础上,给出数据挖掘的具体算法,通过实验证明了该挖掘算法的有效性。     

一种时序关联规则挖掘算法的研究与实现

针对时间序列,研究和分析时序关联规则挖掘,提出时序关联规则数据挖掘的基于滑动窗口和时序树特殊结构的新的挖掘算法,并利用该算法挖掘超过给定支持数阈值频繁时序,为用户的决策支持及趋势预测提供支持,并通过实验验证算法的有效性和实用性。     

Load Profiling and Its Application to Demand Response: A Review

The smart grid has been revolutionizing electrical generation and consumption through a two-way flow of power and information. As an important information source from the demand side, Advanced Metering Infrastructure(AMI) has gained increasing popularity all over the world. By making full use of the data gathered by AMI, stakeholders of the electrical industry can have a better understanding of electrical consumption behavior. This is a significant strategy to improve operation efficiency and enhance power grid reliability. To implement this strategy,researchers have explored many data mining techniques for load profiling. This paper performs a state-of-the-art,comprehensive review of these data mining techniques from the perspectives of different technical approaches including direct clustering, indirect clustering, clustering evaluation criteria, and customer segmentation. On this basis, the prospects for implementing load profiling to demand response applications, price-based and incentivebased, are further summarized. Finally, challenges and opportunities of load profiling techniques in future power industry, especially in a demand response world, are discussed.     

多维时序模糊关联规则在高炉炉温预报中的应用

根据目前高炉炉温预报推理规则都是由高炉专家根据经验制定的情况,提出了一种新的规则生成方法——数据挖掘获取高炉炉温预报关联规则.针对现有挖掘算法的不足,提出了一种改进的多维时间序列模糊关联规则挖掘算法,该算法基于时间子序列和子序列间隔的双重模糊化,避免了挖掘结果"时间边界锐化"的问题.该算法应用于武钢的1#高炉,挖掘效果良好.     

改进的时态关联规则在入侵检测中的应用

入侵检测系统的性能在很大程度上与它的检测规则有关,所以如何更快更有效地从网络数据中获取有效的检测规则对于一个IDS(入侵检测系统)来说就变得格外重要.本文在分析了传统关联规则算法缺点的基础上,对关联规则挖掘算法的优化策略和时态因素的分类处理重点进行了讨论.即在利用主属性约束最后规则的同时,提出了高频属性直接入选的策略.以更快地获取有效的入侵检测规则.实验测试结果表明,优化后的算法在挖掘速度和规则的检出率等性能上有较大提高,找到了一些原来被忽略的规则并剔除了一些不重要的规则,证明此优化算法是切实有效的.     

含负项的关联规则挖掘研究综述

关联规则挖掘是数据挖掘研究的一个重要领域,传统的关联规则仅反映了正项之间的关联关系,无法反映出数据之间隐藏的负关联关系.从以下方面对含负项的关联规则挖掘进行了综述:引入负项的原因,包含正、负项的关联规则概念及相关术语,最新的含负项关联规则研究情况,经典算法的讨论.最后,展望了含负项关联规则领域未来的研究方向.     

快速关联规则挖掘算法

提出了一种新颖的关联规则挖掘算法QAIS，与经典两阶段式关联规则挖掘算法不同的是，它只需扫描一遍事务数据库，不需要生成候选集，并且可以方便的应用在增量式关联规则挖掘算法中，该算法经合成数据验证是有效的．同时针对关联规则生成过程中出现大量冗余规则的问题，还讨论了冗余关联规则去除的问题．     

一种基于多概念格的分类规则融合方法

从多个数据源进行综合知识发现已经成为当前数据挖掘领域中的一个热点研究问题。然而,由于各数据源中数据的差异,使得从各数据源上提取出来的知识,在相互融合的时候会显示出各自的局部性,有时甚至彼此间会出现矛盾,因此,有效的知识融合方法对挖掘结果的质量是至关重要的。该文探讨了基于多概念格的分类规则挖掘,提出了一种融合不同数据源中的分类规则的方法,该方法能保证规则的完整性,即获得适用于全局的所有分类规则,给出了实验结果并加以验证。     

数据集中多属性关联规则发现算法

对数据挖掘中的多属性关联规则算法进行了探讨,给出了关联规则发现算法的相关概念（关联规则、支持率、可信度）和关联规则发现算法,并说明了传统查询工具在数据挖掘中的作用,以及该算法需要进一步研究的内容。     

Apriori算法在森林资源二类调查数据分析中的应用

介绍了应用于森林资源二类调查的数据挖掘系统,以实例说明关联规则挖掘方法在林业中的具体应用。研究了数据挖掘技术中的关联规则理论在林木属性分析中的应用,应用Apriori算法分析了权属、起源、年龄、平均胸径、树高、郁闭度之间的关联,为相关的决策支持提供参考。证明了数据挖掘在森林资源调查数据分析中具有良好的应用前景。     

时间序列相似性搜索算法研究

时间序列分析正成为数据挖掘研究的热点,时间序列的相似性搜索是时间序列研究的重要方面,介绍了时间序列相似性搜索研究的现状,详细分析了两类具有代表性的时间序列相似性搜索算法及各自特点,指出了时间序列相似性搜索研究的挑战性及目前的局限性。     

一种基于组合模型的时间序列数据挖掘系统

提出了一种新的时间序列数据挖掘方法———基于BP(Back Propagation)神经网络和回归分析的组合时间序列数据挖掘模型.重点讨论了神经网络———回归———线性神经网络组合模型的建立过程,强调了通用性,并应用于浙江省可持续发展预测,取得了满意的结果.该组合模型采用神经网络技术来确定权重系数,提高了对复杂非线性系统的拟合能力,为时间序列数据挖掘提供了一种新的实用方法.     

集装箱起重机机械状态监测信息的关联规则挖掘

对集装箱起重机状态监测系统中积累的大量数据进行数据挖掘,发现隐含在其中的新知识对掌握及预测起重机的机械状态是很有必要的.基于改进的竞争聚集(mCA)算法的量化关联规则挖掘方法,挖掘起重机状态监测信息中的关联规则,讨论了这些规则的特点,并对各种规则反映的起重机状态进行了分析.结果表明,通过观测各监测点特征值间关联规则的变化可掌握岸桥机械状态的变化.     

数据仓库中关联规则的元规则制导挖掘改进策略

许多数据仓库和数据挖掘的理论都曾说明元规则是一个非常重要的概念 ,也有一些研究提到元规则 ,但却很少利用元规则来进行数据仓库的关联规则的挖掘。本文针对在元规则制导下的数据仓库关联规则挖掘 ,提出一种简单的、充分利用元规则的、类Apriori和类决策树方法的实现策略 ,减少了查询数据仓库的次数 ,使数据挖掘过程中的存储结构简单 ,形成了快速查询。     

不完全数据库中的关联规则挖掘

在不完全数据库中挖掘关联规则是一个重要的数据挖掘问题,其关联规则的支持度和置信度不可能精确计算,但可以估计.基于关联规则支持度和置信度的估计,讨论了不完全数据库中关联规则的挖掘问题.     

基于关联规则与相似度的数据挖掘算法研究

针对使用传统关联规则算法挖掘大数据集时,挖掘过程中效率不高,挖掘出大量冗余规则的问题,提出了基于关联规则和相似度的数据挖掘算法(U-APR):首先,一次性读入数据并构建矩阵,并利用关联规则支持度度量的特性来增加判断属性,以加快结束迭代过程,从而改进了Apriori算法频繁扫描数据库问题;然后,使用相似度算法去除冗余的关联规则;最后,结合置信度、支持度和用户目标匹配度对挖掘结果进行排序输出,从而得到用户感兴趣的关联规则. 同时,应用该算法与目前常用的2种关联规则算法对广东某高校学生财务数据进行数据挖掘. 实验结果表明:与2种常用的关联规则算法相比,U-APR算法缩短了运算时间和提高了存储空间利用率,对用户分析挖掘结果有较好的优化效果.     

基于关联规则重要性的产品购买序列模式发现

为了解决利用关联规则进行购物篮挖掘分析存在的两个问题:由于数据挖掘前的业务分析不足,不能有效的挖掘出想要的规则;按照传统的关联规则参数设置挖掘得到的关联规则太多,用户无法对其进行取舍.结合实例销售数据,对数据源进行了业务深层分析,构建了基于销售的主题数据仓库,保证了数据挖掘的有效性,同时用概率代替置信度进行参数设置,并引入关联规则"重要性"参数作为新的衡量标准,分析规则的有趣性,以筛选出更有价值的关联规则.将研究结果应用于某制造业产品销售实例,进行了基于关联规则的产品序列购买模式研究,得到了有效的产品销售关联规则,支持了市场决策.     

挖掘关注的语言值关联规则

为了解决利用RFCM算法划分数量型属性，并通过组合语言值进行语言关联规则挖掘中出现的规则数量太多，以及难于获得用户真正关注的规则等问题，提出了一种改进的语言值关联规则挖掘算法。通过最大隶属原则将记录在数量型属性上的取值转换为语言值，然后转换成布尔型属性关联规则挖掘问题。同时，给出一个能够度量语言值关联则简洁性和新奇性关注程度（兴趣度）的计算函数，用于减少选取关注语言值关联规则的工作量。采用本文提出的方法对一组实例数据进行实验，得到了关注程度较高的语言值关联规则。所采用的方法能适用于含有大量数量型属性的数据库，并能有效地获取用户关注的规则。     

一个分类规则的存储结构及查询策略

分析了数据挖掘所获规则的不同应用类型及其实施过程中建立规则管理系统的必要性,提出了一个分类规则管理系统的构建方法,根据对分类规则挖掘过程及结果的抽象,引入元数据知识设计了分类规则的存储结构、查询操作以及建立在此基础上的应用,给出了应用实例·其特点是不仅存储了挖掘结果,同时存储了挖掘过程中涉及的相关数据,更便于对新数据分类和预测·     

基于时间段的时序规则发现

时序规则挖掘用以挖掘数据库中与时间相关的规则及模式.现今大部分时序数据挖掘均是针对基于时间点的,基于时间段的挖掘相对较少.在此提出一个新的基于时间段的时序规则挖掘算法,通过挖掘频繁闭模式集取代完整频繁模式集,减少了挖掘时间,算法效率很高.