面向个性化交通信息服务的车辆行驶路径关联规则挖掘

为了向驾驶者自动提供个性化的交通服务信息,需要对车辆行驶路径进行分析和预测.面向基于RFID的个性化交通服务系统,提出改进的车辆行驶路径关联规则挖掘方法,挖掘车辆历史行驶路径数据中的频繁序列模式,由频繁序列模式产生序列关联规则,根据当前行程车辆已行驶的路径,实现对车辆未来行驶路径的预测.本方法主要通过0-N数据结构和候选2-序列产生方法的改进,提高车辆行驶路径序列模式挖掘的效率.最后,通过数据测试验证了改进算法在运行效率上与GSP相比的性能优越性.     

用神经网络来挖掘数据库中的关联规则

在数据库中进行数据挖掘的方法有多种,神经网络方法是其中之一,在某些场合下神经网络方法有它的优势。本文讨论了一种适用于知识发现的神经网络模型,并给出了神经网络知识发现系统的设计过程,最后讨论了该方法的优缺点。     

数据库中布尔型及广义模糊型加权关联规则的挖掘

数据挖掘主要是用来找出隐藏在数据库当中那些有用的而未被发现的知识本文我们引入布尔型加权关联规则和广义模糊型加权关联规则的概念,并分别给出挖掘这些规则的计算方法.     

语言值关联规则挖掘算法

挖掘语言值关联规则是数量型属性关联规则中的一个重要研究内容。已有的语言值关联规则挖掘算法没有充分考虑隶属度的信息，为此改进了语言值关联规则的挖掘算法，此算法能充分考虑隶属度的信息，但算法的效率不高。为了提高挖掘算法的效率，通过引入可变阈值，并提出折衷的语言值关联规则挖掘算法，折衷的算法损失了少量的隶属度信息，但节省了挖掘所需的内存和时间。     

基于模糊动作关联规则挖掘的合作企业间关系价值

根据合作制造企业间关系的特点,界定了企业关系价值的基本内涵及其构成维度.针对提升企业关系价值问题,提出了模糊动作关联规则的概念.在结合动态模糊逻辑理论的基础上,定义了动态模糊隶属度函数,并给出模糊动作关联规则的相关定义及确切的形式化描述.同时,设计了FARM模糊动作关联规则算法对提升企业关系价值的规则进行挖掘.实验结果表明,该方法不仅能有效地解决企业关系价值提升问题,而且可以为企业决策者制定合作策略提供有利的决策依据.     

基于多维数据的关联规则算法

通过分析多维数据对象属性的关系，结合联机分析处理技术，在建立数据立方体(Cube)的基础上，提出一个基于多维数据的关联规则算法，可以有效提高规则发现和数据挖掘的效率。最后，通过实践证明该算法有效。     

基于网络的数值关联规则挖掘方法

关联规则 ( Association Rules)发现的是属性间的关系 .属性可以是逻辑型的 ,也可以是数值型的 .在从逻辑型属性描述的数据中发现关联规则方面已经有许多比较成熟的算法 ,而在数值型属性方面则不然 .将数值关联规则挖掘问题映射成逻辑关联规则挖掘问题是一种方便有效的方法 .本文给出了一个新的数值属性关联规则挖掘算法 ,该算法利用数据本身的特征决定对数值属性值域的划分 ,进而将划分后的所有区间映射为逻辑属性 (项目 ) ,在此基础上可以挖掘出更容易理解、更具有概括性的有效关联规则 .本文给出了一个发现频繁项目集搜索算法 ,并采用一种纵向数据库格式来简化项目集支持度的计算.     

基于时空关联规则挖掘的城市交通拥堵传导预测

对城市交通拥堵进行准确预测是智能交通领域的重要研究问题.为更准确地预测道路拥堵状态和挖掘拥堵传导规则,本文提出了一个新的基于时空关联规则的交通拥堵传导预测模型.该模型使用基于遗传网络规划(GNP)的时空关联规则挖掘算法识别交通拥堵在不同时间、不同地点的共现规则,揭示了交通拥堵的时空传导模式.最后,本文基于北京市交通状态实测数据的实证结果验证了该模型具有较高的预测性能.该模型突破已有研究“先流量预测,再状态分析”的技术路径,将交通拥堵状态作为直接研究对象,揭示了交通拥堵的时空动态传导规律,从而可支持城市交通主管部门提前采取更加系统化的应对措施,提高交通拥堵的前瞻性和动态性处置能力.     

一种高效的关联规则更新算法

在大型数据库中 ,数据不是静止的 ,新的记录需要不断地增加到旧的数据库中 ,而从旧的数据库中挖掘出来的关联规则必须加以维护 ,为此提出了一种关联规则更新算法。该算法既能有效地利用已经发现的知识 ,又能减少数据库的扫描次数 ,同时只需产生少量候选集。实验表明 ,该算法的执行效率比现有的典型更新算法高 ,是一种有实际应用价值的、高铲的关联规则更新算法。     

基于邻接网络的序列规则挖掘算法

给出一个新的序列规则挖掘算法，该算法在挖掘规则以前将数据库预先存贮为序列邻接网络，在序列邻接网络中每个项目集顶点都有一个域来记录它的支持度，算法把频繁序列规则的发现问题转化为网络中的顶点搜索问题，大大提高了搜索过程的效率，为了有效地解决网络生成过程中的序列支持计算问题，采用了一种纵向的数据库表示格式。     

一种关联规则增量更新算法

针对一个新的事物数据库加到原有的事务数据库中,在最小支持度和最小置信度都不变的情况下相应关联规则的更新问题,提出了一种简单高效的增量式关联规则挖掘算法。该算法从集合的角度出发,将事物数据库分为频繁项集集合和非频繁项集集合,从而在两个事务数据库可能出现的关系中,准确找出能够生成新的频繁项集的集合。在此基础上,利用给出的算法能够较为容易地发现新的关联规则。最后,分析了此算法的优越性。     

基于Agent的顾客行为及个性化推荐仿真模型

针对传统个性化推荐研究方法的局限性, 提出一种基于Agent建模与仿真的方法, 通过个体的交互作用所产生的涌现特征来分析移动电子商务环境下的顾客行为及个性化推荐策略的有效性． 以移动商务环境下的餐饮推荐系统为例, 分析了消费活动过程中顾客与服务的交互行为, 以及情境因素对顾客消费的影响, 构建了服务推荐及顾客行为规则, 并在REPAST环境下实现了本Agent仿真模型． 仿真结果表明:该模型可有效分析及预测服务推荐和顾客决策的涌现现象, 并由此推断顾客总体的消费趋势; 同时, 考虑情境因素的推荐模型的有效性比单独基于顾客个性化信息的推荐模型有明显提高．     

Concise representations for association rules in multi-level datasets

Association rule mining plays an important role in knowledge and information discovery. Often for a dataset, a huge number of rules can be extracted, but many of them are redundant, especially in the case of multi-level datasets. Mining non-redundant rules is a promising approach to solve this problem. However, existing work (Pasquier et al. 2005, Xu & Li 2007) is only focused on single level datasets. In this paper, we firstly present a definition for redundancy and a concise representation called Reliable basis for representing non-redundant association rules, then we propose an extension to the previous work that can remove hierarchically redundant rules from multi-level datasets. We also show that the resulting concise representation of non-redundant association rules is lossless since all association rules can be derived from the representation. Experiments show that our extension can effectively generate multilevel non-redundant rules.     

基于多维特征差异的个性化学习资源推荐方法

协同过滤算法和二进制粒子群算法是目前学习资源推荐领域研究热点.然而,协同过滤算法推荐的学习资源过于随机化,不能满足学习者进行整体知识建构的要求.而基于二进制粒子群算法构建的资源推荐模型,以推荐所有学习者完整的学习资源为目标,且模型数据较难预测,不符合在线智能化学习的趋势.针对以上问题,提出了基于多维特征差异的个性化学习资源推荐算法:首先根据学习者和学习资源多维特征差异建立学习资源推荐模型,并考虑了学习偏好;其次引入协同过滤技术对模型数据进行预测;最后针对推荐模型的多目标优化特征,将协同过滤算法和二进制粒子群算法结合,提出了对惯性权重和种群多样性进行动态协同调整的自适应二进制粒子群算法,实现了个性化学习资源推荐.实验证明,该算法具有较好的准确性,能够满足个性化学习资源推荐的需要.     

基于关联规则赋权特征选择集成的信用分类研究

针对信用分类数据集中常见的高维性特征,本文基于特征袋装法和关联规则挖掘算法,构建了新的赋权特征选择集成模型AR-WSAB.该模型能根据频繁项集的支持度和置信度,对各特征的重要度进行测度,进而选择出各特征子集,训练子分类器,再通过集成得到最终结果.通过在贷款违约预测数据集上进行实证分析,结果表明该模型分类正确率相对于Bagging集成模型和PCA算法都有显著优势,所提方法能够有效处理高维性特征,并且在各分类算法上都具有普适性.     

一种带记忆性的零售商品关联度分析方法

基于关联规则的购物篮分析对实体或在线零售企业改善品类管理、优化门店布局陈列、实现关联促销与推荐等起着重要作用. 本文针对企业需求,应用邻接矩阵和截矩阵技术,提出了挖掘商品关联性的AC算法和进一步求频繁k-项集的M-AC算法,证明了这类方法运算简单,应用成本低,具有记忆性质,当数据更新时,无须重新运算. 通过在零售企业的成功应用,论证了这种商品关联度分析方法的有效性.     

交通诱导信息发布策略的空间关联规则

采用北京市可变信息板（variable message signs, VMS）系统近三年发布的交通诱导信息数据, 研究了交通诱导信息发布策略的空间关联规则. 首先基于系统聚类算法分析事件点与上游VMS的关联度, 根据其强弱将上游路段的影响空间分级, 并确定不同影响等级空间范围的大小; 然后采用基于关系代数理论的关联规则挖掘算法, 计算位置相邻的VMS集合的支持度和置信度, 确定不同影响等级空间范围内、相邻影响等级空间范围VMS集合的 依存关系. 实证分析表明： 空间关联规则能将事件点上游的影响空间分级, 并确定VMS间的依存关系, 从而锁定诱导信息发布的各级影响 空间以及相应的VMS, 具有实际的应用价值, 将应用于北京市交通诱导信息发布专家辅助决策系统.     

大数据中面向乱序数据的改进型BP算法

针对大数据中的乱序数据缺少关联规则的问题,提出了一种动态调整的改进型BP 算法,运用了动态自适应结构调整机制,根据环境要求自适应调整网络训练结构,自动删除无效训练神经元,优化迭代训练过程;并在网络学习过程中动态调整网络参数中的三因子,即动量因子、权学习指数、阈学习指数,来达到加快学习响应速度、增强网络稳定性的目的. 仿真结果表明,通过动态自适应调整结构、动态调整三因子的改进型算法,能够获得更多的收敛次数,并能有效地提高收敛率,进而提高整体网络性能.