内存数据库中图论频繁模式挖掘方法仿真

发布时间：2021-02-25 16:54

　　为解决当前内存数据库中图论频繁模式挖掘方法存在的运行时间较长、挖掘结果准确率较低及内存利用率较低的问题,提出基于次优树的内存数据库中图论频繁模式挖掘方法。给出频繁子图判定方法,结合FFSM算法,利用图顶点的邻接矩阵进行图论频繁模式候选子图生长,并将候选频繁子图的边与顶点标签存储到对应矩阵中,得到频繁子图次优树;分析图论频繁模式的性质,构建频繁子图削减规则,对所得次优树中的候选频繁子图进行遍历搜索与删减。根据图论频繁模式置信度下限计算结果与频繁项的序,按顺序排列删减优化后的频繁子图,结合频繁模式项目集与支持度对比,完成图论频繁模式挖掘。实验结果表明,相比于现有方法,所提方法挖掘准确率最低为97.22%,比现有方法更高;对于内存空间的利用率明显提高,且耗时更短,工作效率更高。综上所述,所提方法整体更具优势。 

【文章来源】：计算机仿真. 2019,36(10)北大核心

【文章页数】：5 页

【部分图文】：

种方法的挖掘效率对比

图6不同方法的识别耗时结果对比5结论对景区游客流量数据的实时跟踪预测可以为景区管理人员提供有效决策依据，本文提出了云计算下景区游客流量数据的实时跟踪预测方法，仿真证明了所提方法的有效性和适用性。参考文献:［1］孙烨，等．基于旅游者网络关注度的旅游景区日游客量预测研究———以不同客户端百度指数为例［J］．人文地理，2017，(3):152－160．［2］王小燕．基于云计算的大数据挖掘平台设计［J］．电子设计工程，2017，25(13):25－27．［3］张笑白，秦志学．高峰期内旅游路线实时优化调度仿真研究［J］．计算机仿真，2017，34(5):243－246．［4］刘静，刘耀龙，段锦．基于5A景区最大承载量和游客接待量的旅游供需关系模型研究［J］．科技通报，2017，33(7):264－268．［5］徐辉军，周明益，王贡献．基于网络搜索数据的扬州市景区游客量预测［J］．荆楚理工学院学报，2017，32(2):67－72．［6］张斌儒，等．基于ＲVM模型的国内游客流量预测研究———以海南为例［J］．数学的实践与认识，2017，(24):30－36．［7］胡传东，等．基于网络照片的旅游景区照相指数研究———以磁器口景区为例［J］．重庆师范大学学报(自然科学版)，2017，(2):120－127．［8］孙小龙，林璧属．基于网络文本分析的旅游商业化符号表征研究———以西江苗寨为例［J］．旅游学刊，2017，32(12):28－36．［9］魏峰群，黄明华，李斌．城市旅游景区对城市建设用地影?

【参考文献】：
期刊论文
[1]基于渐近取样的频繁项集挖掘近似算法[J]. 阚宝朋,崔利.  控制工程. 2017(09)
[2]一种基于Spark框架的并行FP-Growth挖掘算法[J]. 张稳,罗可.  计算机工程与科学. 2017(08)
[3]基于有向无环图的频繁模式挖掘算法[J]. 朱益立,邓珍荣,谢攀.  计算机工程与设计. 2017(05)
[4]最大模糊频繁模式挖掘算法[J]. 张海清,李代伟,刘胤田,龚程,于曦.  计算机应用. 2017(05)
[5]空间数据库中有效数据频繁项检测仿真研究[J]. 郑斌.  计算机仿真. 2017(04)
[6]基于Nodeset的最大频繁项集挖掘算法[J]. 林晨,顾君忠.  计算机工程. 2016(12)
[7]基于打分矩阵的生物序列频繁模式挖掘[J]. 袁二毛,郭丹,胡学钢,吴信东.  模式识别与人工智能. 2016(10)
[8]基于Spark的并行频繁模式挖掘算法[J]. 曹博,倪建成,李淋淋,于苹苹,姚彬修.  计算机工程与应用. 2016(20)
[9]网络信息披露制度下XBRL金融数据的频繁模式并行挖掘[J]. 冯涛,刘蕊.  数学的实践与认识. 2016(15)
[10]基于复合粒度计算的频繁模式挖掘研究[J]. 方刚,吴跃.  计算机应用研究. 2016(06)



本文编号：3051270