基于时间序列的动态关联规则挖掘研究

发布时间：2021-02-19 12:02

　　动态关联规则是数据挖掘领域中非常重要的研究方法之一,是一种能描述自身特性随时间变化的关联规则。关于动态关联规则挖掘,本文做了以下工作:本文在相关理论研究的基础上,首先,结合时间序列分析中自回归求和滑动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）,对动态关联规则的元规则支持度计数建立模型,实验结果显示,构建的ARIMA（2,2,1）模型对支持度计数序列拟合效果较为精确,并且能够将序列相对误差控制在6%以内。其次,在此基础上结合灰色GM（1,1）模型,提出ARIMA-GM组合模型,并对元规则支持度计数建立ARIMA-GM模型,实验结果显示,该模型的拟合曲线不仅能反映序列的整体趋势,还能充分考虑序列的细节变化,且ARIMA-GM模型因综合单项模型的优点而表现出更高的拟合精度,能将序列的相对误差控制在4%以内。最后,文章针对SQL Server数据库中某大型超市在线销售数据,借助动态关联规则算法挖掘出数据之间隐藏的关联规则,根据给定的支持度、置信度的阈值,找出频繁项集,挖掘出有价值的规则,并用文章提出的ARIMA-GM对元... 

【文章来源】：华北水利水电大学河南省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

一阶差分序列的相关图

支持度序列的单位根是不存在的。故，差分序列平稳。图 3-3 一阶差分序列的相关图Fig 3-3 The correlation graph of graph of the first difference

图 3-5 残差的相关图Fig 3-5 The correlation graph of residual表 3-5 2016 年支持度序列拟合值分析表Tab 3-5 The table of fitted value of support sequence in 2016份tf tf 绝对误差 相对误差(%1 229 240.4667474 11.4667474 5.00731332 238 235.7502593 -2.2497407 -0.94526923 240 236.8155671 -3.1844329 -1.32684714 236 235.5275213 -0.4724787 -0.20020285 232 237.6790664 5.6790664 2.44787346 231 236.1739228 5.1739228 2.23979347 237 233.5534592 -3.4465408 -1.45423668 243 234.5251360 -8.4748640 -3.48759849 237 237.6144974 0.6144974 0.2592816

【参考文献】：
期刊论文
[1]时间序列ARIMA与BP神经网络组合模型在CPI预测中的应用[J]. 孟毅.  山东农业大学学报(自然科学版). 2018(06)
[2]ARIMA时间序列模型和BP神经网络组合预测在铁路客座率中的应用[J]. 张春露,白艳萍.  数学的实践与认识. 2018(21)
[3]基于大数据的城市服务业空间关联分析[J]. 廖伟华,聂鑫.  地理科学. 2017(09)
[4]基于时间序列模型商品搜索排序[J]. 章振增.  计算机应用与软件. 2017(07)
[5]改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 郭世伟,孟昱煜,陈绍立.  计算机工程与应用. 2018(08)
[6]基于时间序列ARIMA与BP神经网络的组合预测模型[J]. 翟静,曹俊.  统计与决策. 2016(04)
[7]动态关联规则的趋势度挖掘方法[J]. 张忠林,曾庆飞,许凡.  计算机应用. 2012(01)
[8]时间序列模型在降水量预测中的应用研究[J]. 常青,赵晓莉.  计算机仿真. 2011(07)
[9]AR-Markov模型在动态关联规则挖掘中的应用[J]. 张忠林,刘俊,谢彦峰.  计算机工程与应用. 2010(14)
[10]数据挖掘理论及应用研究[J]. 李华,刘帅,李茂,刘双琪.  断块油气田. 2010(01)

硕士论文
[1]模糊预测模型在动态关联规则挖掘中的应用[D]. 魏婷.兰州交通大学 2016
[2]数据挖掘中决策树分类算法的研究[D]. 李迎春.湖南师范大学 2015
[3]基于动态关联规则的网络用户行为分析[D]. 刘宗成.兰州交通大学 2015
[4]时间序列分析的研究与应用[D]. 汤岩.东北农业大学 2007



本文编号：3041092