基于模糊聚类和支持向量回归的成绩预测

现有的成绩预测模型往往过度使用不同类型的属性,导致过于复杂的分数预测方法,或是需要人工参与.为提高学生成绩预测的准确率和可解释性,提出了一种融合模糊聚类和支持向量回归的成绩预测方法.首先引入模糊逻辑来计算隶属度矩阵,根据学生的历史成绩进行聚类,随后对每个聚类簇利用支持向量回归理论对成绩轨迹进行拟合建模.此外,结合学生学习行为等相关属性,对最终的预测结果做调整.在多个基准数据集上进行了实验测试,验证了该方法的有效性.     

数据挖掘技术在电商客户粘性预测中的研究

为精准有效地预测电商客户粘性，提升经济效果，研究数据挖掘技术在电商客户粘性预测中的应用。利用可变网格的K-means聚类算法，聚类获取电商客户粘性预测相关数据；通过有效性指标优化可变网格K-means聚类算法的聚类数，确定最佳聚类数，提升数据聚类效果；采用技术接受模型，依据聚类获取的数据，建立电商客户粘性预测指标体系；通过模糊层次分析法，结合指标体系，建立电商客户粘性预测模型，获取预测分值。实验结果表明，该模型可有效确定最优聚类数，精准聚类电商客户粘性预测相关数据；所建立的预测指标体系的指标相关性较低，结构较稀疏、较全面。总体说明，该模型可有效预测电商客户粘性。     

谱聚类与混沌免疫相结合的软件缺陷分析算法

针对谱聚类算法中K-means处理无标识软件度量元数据易陷入局部最优的问题, 提出一种新的混沌免疫聚类算法. 该方法在免疫克隆选择算法的框架下, 设计抗体亲和度计算方法用于免疫克隆聚类中心的评价, 并给出分层混沌变异算子, 进一步提高了无标识软件度量元数据的预测性能. 仿真实验验证了算法的有效性.     

基于数据挖掘的客户价值预测方法

提出了一种利用聚类和分类等数据挖掘技术预测客户价值的新方法.通过对客户历史交易数据的分析,获得能够综合反映老客户忠诚度和价值度的指标.基于该指标对老客户进行聚类,将老客户划分为若干个不同价值的客户群,即为每个老客户赋予一个价值等级标号.利用朴素贝叶斯分类方法来预测新客户(或潜在客户)的价值,并依据预测结果来制定相应的重点客户发展战略.实例验证了该方法的有效性和可行性.     

岩爆灾害的灰类白化权函数聚类预测方法

岩爆是高应力岩石地下工程中的地质灾害.将岩爆与其影响因素之间的关系作为灰色系统,提出采用灰类白化权函数聚类的预测方法对岩爆灾害进行预测.选取岩石弹性能量指数、脆性系数和围岩最大切向应力与岩石单轴抗压强度的比值作为岩爆灾害预测的主要影响因子,并构造了适于岩爆预测的各聚类指标的白化权函数.采用本文提出的方法对国内外一些岩石地下工程实例进行了分析,并与工程实际情况进行了对比,研究结果表明,本文提出的基于灰类白化权函数聚类的岩爆灾害预测方法具有较高的预测精度.     

煤与瓦斯突出预报数据关联性的聚类分析

合理地选择突出控制因素是进行突出预测的关键技术之一．首先给出了基于系统聚类的突出预报数据关联性分析方法，通过DB Index准则判断聚类模型的有效性．然后研究了煤与瓦斯突出控制因素的选择规则．最后以平顶山煤矿为例，分析了该矿突出预报数据间的关联性，得到了相应的变量聚类树，并选择了主要的突出控制因素．仿真结果验证了所提出的突出控制因素选择方法的合理性和有效性．图2，表3，参11．     

一种基于风险态度因子的区间数信息聚类方法

针对具有不确定性区间数信息的聚类分析问题,提出了一种新的聚类分析方法·该方法的基本思路是:首先通过引入具有风险态度因子的区间映射函数,将区间数聚类信息映射为点值聚类信息,并使要研究的问题转化为传统的模糊聚类问题;然后在此基础上给出了基于编网的聚类方法;进一步地,可通过选取不同的风险态度因子对聚类分析结果进行灵敏度分析·该分析方法具有简单、实用的特点,它克服了研究此类聚类问题时所遇到的区间数难以排序的问题·在文中最后,通过给出一个算例说明了该方法的应用·     

改进的并行SVM回归算法

针对目前SVM回归算法在大样本情况下,学习效率低、精度不高的问题,提出了基于Kmeans聚类的并行SVM回归算法。在Hadoop框架中,先对训练样本行进并行聚类,然后针对聚类后的不同簇,构造相应的SVM回归模型,使用顺次最小优化算法求解各模型参数。预测时,选择与待预测样本距离最近簇的对应SVM回归模型进行预测。实验验证了文中算法的可行性和有效性。     

基于客户点多重特性的车辆路线优化

针对传统车辆路线优化研究在对客户点商品需求特性方面存在的不足,提出了先基于客户点多重特性进行聚类分析后进行线路优化的思想.首先,将语言变量值用梯形模糊数表示,对客户点和二级准则指标进行综合评价;其次,采用模糊集成方法将二级准则指标集成到一级准则指标上,将集成后的一级指标属性值拆分为4个分属性值参与聚类算法计算,并通过设计的聚类有效性指标选取合理的聚类结果;然后,应用模糊TOPSIS方法计算各类内的客户点优先级权重;最后,构建了客户点被选择服务的评价函数式,并与动态规划方法结合进行线路优化.文中还通过实例对所提方法的有效性进行了验证,并与现有方法进行了对比.结果表明,文中方法优于单纯以距离和客户点优先级权重为测度单位的方法,线路优化结果合理,并能应用到存在大规模客户点的车辆路线优化问题中.     

气象数据概化中的最佳聚类数研究

以黑龙江省中部地区2004年的气温和降水观测数据为实例,对数据挖掘中气象数据的概化问题进行研究．调查分析了概化方法和数据特征,确定采用模糊C均值聚类算法．重点研究了算法中最佳聚类数的确定,选取多种广泛认可的指标,对聚类结果进行有效性对比分析,采用综合最优的聚类数为最佳聚类数．研究发现这种方法聚类结果合理且具有较强的可拓展性．     

减聚类在电力系统中长期负荷预测中的应用

分析了电力系统中长期负荷特性以及RBF神经网络的非线性功能,引入一种减聚类算法来选取网络隐层节点中心,并将该方法在Matlab下进行了仿真。将预测结果与实际负荷值、灰色理论模型得到的结果进行对比分析,结果表明采用减聚类算法的RBF神经网络模型在隐层节点选择上更加精确,用其建立的模型具有较好的预测精度,具有一定的实用价值。     

数据挖掘和神经网络技术的电力工程造价应用

提出了一种采用数据挖掘技术和神经网络方法预测和审查电力工程造价问题的模型,应用数据挖掘技术进行数据预处理、属性优选和聚类得到模糊规则,并用改进的BP(back propagation)神经网络模糊系统构建了电力工程造价的预测方法。通过对某市送电线路历史工程样本训练和实例样本计算分析,得到了较好的计算结果,验证了该方法的预测准确性和收敛性,显示了该方法在电力工程造价预测和审查中的有效性。     

基于聚类时间序列法的电力负荷预测

本文在传统时间序列法的基础上,提出了一种利用聚类方法进行分析的负荷预测方法,利用该方法对某市的电能负荷进行预测,得到了较精确的结果,表明该方法能为电力负荷的预测提供有效的参考。     

企业经营状况分析的多类SVM分类方法

针对现有企业经营状况分析方法普遍存在的过于依赖评价者主观经验的不足,提出了企业经营状况分析的多类SVM分类方法。该方法首先利用动态聚类算法获得样本的类别信息,并利用主成分分析方法对样本数据进行降维,进而利用多类SVM模型实现企业经营状况的评估。由于整个评估方法完全建立在对历史数据分析的基础上,因而较为有效地克服了现有方法的主观性。给出了应用该方法的具体步骤,实际算例验证了该方法的可行性和有效性。     

融合聚类-卷积-门循环的居民用电短期负荷预测方法

对居民用电进行准确的短期负荷预测是电力部门合理制定每日调度计划的重要依据。提出了一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)聚类算法-卷积神经网络(convolutional neural network, CNN)-门控循环单元(gated recurrent unit, GRU)的短期电力负荷预测方法。根据智能电表采集的历史负荷数据，该方法首先采用BIRCH聚类算法分析不同用户的用电习惯，将用户聚类为多个用户群；然后构建由负荷数据和时间以及气候信息组成的多特征时间序列数据集，并采用训练集进行CNN-GRU预测模型构建。训练集首先输入到基于一维卷积层设计的CNN网络，以提取不同特征变量之间的非线性关系；之后将数据输入GRU网络，以提取数据在时间维度上的时序特性，最后由全连接层输出短期负荷预测结果。以爱尔兰能源管理委员会提供的公开数据集作为实际算例，以ANN网络、CNN网络及CNN-GRU网络为对比模型，实验结果表明，所提出方法的平均绝对百分比误差达到了2.932 1%,有较高的预测精度和...     

基于PSO聚类分析和RBF网络的短期电价预测

针对短期电价预测具有的周期性及难预测性等特点,研究现存的人工神经网络预测方法,提出一种基于PSO聚类分析和RBF网络的短期电价预测方法。利用粒子群算法优化聚类分析的聚类半径,并用优化后的聚类方法对电价的历史数据按相似的程度分类,得到一类相似度最高的数据作为输入数据并进行预处理,建立相应的RBF网络预测模型,对短期电价进行预测仿真。通过实例分析验证了该预测模型能够有效、稳定地将预测精度提高至0.3%左右。     

基于K-means聚类组合模型的公交线路客流短时预测

预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效.     

基于模糊理论的QFD用户需求分析方法研究

针对用户需求信息的模糊性、离散性和不确定性,提出了集成模糊聚类法和模糊扩展层次分析法的用户需求分析方法.基于模糊聚类法的模糊相似矩阵和动态聚类图对搜集的含糊不清的用户需求进行归类和分级,利用模糊扩展层次分析法对分类后的顾客需求特征进行重要度测量.该方法可将模糊的、不确定性用户需求信息进行准确化和定量化处理,为产品规划质量屋的构建和质量功能的瀑布式展开提供有效的用户需求分析手段.以弹性往复密封件的需求分析为例,说明该方法的有效性.     

一种有效的交通流预测法在城市电梯中的应用

一种好的电梯群控系统交通流预测方法,能够为电梯群控调度算法的进一步研究提供依据,实现电梯的优化调度.该文针对电梯系统的交通流问题,提出了将小波与基于径向基(RBF)函数的神经网络相结合的小波神经网络(WNN)预测方法,对现有电梯系统交通流进行预测,并通过仿真研究,验证该方法的可行性和有效性,为电梯群控系统的调度奠定了基础.     

基于聚类和时间权重的协同过滤位置预测算法

校园无线网络产生大量用户位置数据,它使掌握用户行为轨迹、预测用户位置成为可能.协同过滤广泛用于预测和推荐系统中,但现有研究存在数据稀疏性和不适用于处理时空数据的缺点.本文提出基于聚类和时间权重的协同过滤位置预测算法.首先利用DBSCAN聚类算法对用户进行聚类,缓解数据稀疏性.然后在簇内计算用户-位置评分矩阵时引入时间权重,使用户近期的位置签到对预测有更大贡献.与传统协同过滤方法相比,该方法准确率提高9.1%,召回率提高5.2%,F1-SCORE提高7%.