模糊預(yù)測模型在動態(tài)關(guān)聯(lián)規(guī)則挖掘中的應(yīng)用.pdf

1、隨著計算機、通信和Internet技術(shù)的迅猛發(fā)展，以及日常生活自動化技術(shù)的廣泛使用，多類型的數(shù)據(jù)正在以空前的速度產(chǎn)生和被收集著。數(shù)據(jù)挖掘正是通過分析存儲在數(shù)據(jù)庫中的數(shù)據(jù)，來揭示其中暗含的未知信息和驗證已知規(guī)律，進而輔助決策的制定。在數(shù)據(jù)挖掘領(lǐng)域中，關(guān)聯(lián)規(guī)則作為最早最活躍的研究方向，已成為當前的熱門研究點。
　　早期的關(guān)聯(lián)規(guī)則挖掘忽略了時間因素，是一種建立在事務(wù)數(shù)據(jù)庫之上的靜態(tài)挖掘方法，它認為挖掘所得的規(guī)則將永久有效。但在不斷地應(yīng)用

2、、研究及總結(jié)后得出，現(xiàn)實生活中基于數(shù)據(jù)庫挖掘出的規(guī)則都跟時間有著密切的相關(guān)性。因此，為進一步掌握規(guī)則隨時間變化的特點，研究者提出了動態(tài)關(guān)聯(lián)規(guī)則的概念。動態(tài)關(guān)聯(lián)規(guī)則挖掘依據(jù)年、月、日等時間粒度劃分事務(wù)數(shù)據(jù)集，并加入了支持度向量以及置信度向量，將其作為新的規(guī)則的評價指標。然而，盡管考慮到了時間因素，但這種傳統(tǒng)的建立在已有數(shù)據(jù)上的挖掘并不能確保規(guī)則在將來的時效性。另外，不少研究者將動態(tài)關(guān)聯(lián)規(guī)則的研究重點主要放在了挖掘算法的改進上，目前很少考慮

3、到所得規(guī)則的可靠性。故而，為提高挖掘質(zhì)量，對動態(tài)關(guān)聯(lián)規(guī)則挖掘展開更全面的探索是非常有意義的。
　　本文在對模糊集等相關(guān)理論的研究基礎(chǔ)上，將模糊預(yù)測精度高及小樣本建模的優(yōu)勢融合到動態(tài)關(guān)聯(lián)規(guī)則挖掘中。首先針對模糊時間序列方法存在的問題，提出了基于聚類劃分思想的模糊時間序列預(yù)測模型，并通過不同方法的實驗對比證明了算法的有效性；然后在此基礎(chǔ)上結(jié)合馬爾可夫鏈理論建立了模糊-Markov和模糊-灰色兩種組合預(yù)測模型，經(jīng)過不同類型數(shù)據(jù)集的建模分

4、析和實驗對比后，發(fā)現(xiàn)在樣本規(guī)模較小的支持度計數(shù)預(yù)測中，模糊-灰色組合模型因綜合各單項預(yù)測模型的知識而表現(xiàn)出更強的實用性及更高的預(yù)測精度；最后針對網(wǎng)購客戶行為分析的實際案例，結(jié)合模糊-灰色預(yù)測模型建立基于交易繁忙時段數(shù)據(jù)集的動態(tài)關(guān)聯(lián)規(guī)則挖掘模型，最終挖掘出具有指導意義的規(guī)則。
　　通過對挖掘所得規(guī)則含義的分析及其支持度變化趨勢的預(yù)測，發(fā)現(xiàn)本文建立的模型對于動態(tài)關(guān)聯(lián)規(guī)則的支持度序列有著良好的預(yù)測效果，相對于傳統(tǒng)挖掘方法能夠更多的挖掘出