基于关联规则挖掘的货物运输平台信息推荐功能的研究与实现

发布时间：2017-06-12 08:02

  本文关键词：基于关联规则挖掘的货物运输平台信息推荐功能的研究与实现，，由笔耕文化传播整理发布。

【摘要】：近10年来,随着电子商务和互联网技术的不断发展,物流行业得到了快速发展,物流行业的数量大大增长,业务种类不断丰富,业务能力不断提高。这些变化对物流业务的管理水平和管理方法提出了新的要求。仅由于电子商务的快速发展,物流行业中每天就会产生大量的货物运输需求,因此在社会信息化和信息技术快速普及的现在,如何在现代物流行业中充分的利用信息、技术,从海量的货物运输信息中寻找具有决策支持作用的数据、为企业赢得更多利润,打造智能化的现代物流行业,成为了数据挖掘技术在物流行业中应用的重要基础。现代物流系统中每天都会产生大量的货物运输需求,面对现代物流数据库系统中保存的海量信息,物流行业无法准确、高效的进行数据统计和行业决策工作物流系统运输平台无法根据货物运输相关信息精确的为平台用户提供相关决策服务工作,且传统的决策工作都是通过人为直觉确定的,在有着海量、复杂数据的现在,人为决策缺乏有效性,且其正确性难以验证,近年来产生的数据挖掘,是一种对海量且复杂的数据进行组织、分析的方法。数据挖掘方法的产生,用来对海量、复杂信息进行处理和分析,具有为企业提供辅助决策的功能,数据挖掘方法被广泛应用于零售业、工业、金融业、政府部门等领域中。本文中数据挖掘的目的是要发现货物运输平台中货物信息、车辆信息各属性之间的相关性,即关联强度,该关联强度体现在数据挖掘中对应的概念为关联规则。关联规则是数据挖掘中应用最为广泛的算法,在货物运输系统中,通过挖掘货物信息中字段属性之间的关联规则,发现货物属性、车辆属性之间潜在的关联关系、关联强度,得出货物特征信息、车辆特征信息。Apriori算法、基于划分的算法、FP-树频集算法是最经典的关联规则挖掘算法,与基于划分的算法和FP-树频集算法相比,Apriori算法简单明了,不用复杂的推导、理论,易于对数据实施挖掘,而其他两个算法由于分支,忽略了信息属性之间的相关性。本文采用了经典的Apriori关联规则挖掘算法,经典的Apriori挖掘算法的实施原来是频繁的扫描数据库统计、计数,每一次由候选项集形成频繁项集时都要扫描数据库统计各项集出现次数,而在本文中某公司货物运输平台中,随着用户的增加,以及发布的货物运输信息、车辆配送信息的增加,使得海量的信息数据被保存在数据库中,频繁扫描数据库将会使得挖掘速度、效率很低,针对该缺陷,以及货物运输平台中货物信息、车辆信息的保存特征,对Apriori挖掘算法做了改进。本文在某公司货物运输平台中,实现了关联规则数据挖掘算法在该货物运输平台中的应用,实现了该平台根据货物、车辆信息而提供的推荐功能。本论文做的主要研究内容如下：(1)介绍数据挖掘在物流运输行业的应用背景,以及数据挖掘方法在不同行业、领域中的应用。(2)详细介绍本文使用的Apriori关联规则挖掘算法,举例说明算法中的概念和流程,并根据该算法实现的货物信息推荐功能的特点及Apriori算法本身频繁扫描数据库等的缺陷,对该算法做了部分改进工作(3)本文实现了改进后的关联规则挖掘算法在本文中某公司货物运输平台中的应用,实现了该公司既定的推荐功能。本文中某公司货物运输平台中运用Apriori关联规则挖掘算法的目的,是对该平台中存储的货物信息、车辆信息,挖掘对应货物、车辆具有的特征信息,该平台中保存的数据特征为,货物信息对应某车主接单信息,根据该对应车主信息与挖掘结果货物特征信息,实现货主车辆信息推荐、车主货物信息推荐功能。
【关键词】：物流运输 数据挖掘 现代物流行业 关联规则 货物运输平台
【学位授予单位】：中国海洋大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F259.2;TP311.13
【目录】：

• 摘要5-7
• Abstract7-13
• 1 引言13-23
• 1.1 研究背景及意义13-15
• 1.1.1 研究背景13-15
• 1.2 研究目的和意义15-17
• 1.3 国内外研究现状17-20
• 1.3.1 数据挖掘技术的研究现状17-18
• 1.3.2 物流运输平台的国内外应用18-19
• 1.3.3 物流业中数据挖掘应用的国内外现状19-20
• 1.4 论文组织结构20-21
• 1.5 本章小结21-23
• 2 数据挖掘技术相关介绍23-29
• 2.1 数据挖掘相关理论23-24
• 2.1.1 数据挖掘概述23
• 2.1.2 数据挖掘功能23-24
• 2.2 数据挖掘流程24-25
• 2.3 数据挖掘相关25-27
• 2.3.1 关联规则26
• 2.3.2 聚类分析26
• 2.3.3 决策树26-27
• 2.3.4 神经网络27
• 2.4 关联规则挖掘算法—Apriori算法27-28
• 2.5 本章小结28-29
• 3 Apriori算法基本理论及其改进29-41
• 3.1 Apriori算法29-31
• 3.2 Apriori算法实现31-37
• 3.2.1 Apriori算法实现概述31-32
• 3.2.2 Apriori算法实现32-37
• 3.3 Apriori算法改进37-40
• 3.3.1 Apriori算法缺陷分析37-38
• 3.3.2 Apriori算法改进38-40
• 3.4 本章小结40-41
• 4 面向货物运输平台关联规则挖掘技术实例分析41-57
• 4.1 运输数据挖掘功能实例分析41-43
• 4.1.1 车找货运输数据挖掘功能实例分析41-42
• 4.1.2 货找车运输数据挖掘功能实例分析42-43
• 4.2 货物运输平台数据集的设计43-46
• 4.2.1 货物运输平台数据库设计43-45
• 4.2.2 货物运输功能数据集规范45-46
• 4.3 货物运输系统Apriori算法实现46-55
• 4.3.1 货物信息挖掘—Apriori算法实现46-52
• 4.3.2 车辆信息挖掘—Apriori算法实现52-55
• 4.4 本章小结55-57
• 5 货物运输平台系统设计与实现57-69
• 5.1 货物运输平台概述57
• 5.2 系统关键技术分析57-59
• 5.3 货物运输平台功能模块设计与实现59-64
• 5.3.1 路况导航60-61
• 5.3.2 实时路况61-63
• 5.3.3 特价商城63-64
• 5.4 数据挖掘及推荐系统功能模块64-68
• 5.4.1 货找车数据挖掘及推荐模块64-66
• 5.4.2 车找货数据挖掘及推荐模块66-68
• 5.5 本章小结68-69
• 6 总结与展望69-71
• 6.1 本文总结69
• 6.2 展望69-71
• 参考文献71-75
• 致谢75-77
• 个人简历77

【参考文献】

中国期刊全文数据库 前10条

1 刘勇;;数据挖掘中Apriori算法在零售业中的应用[J];数字技术与应用;2014年04期

2 陶新民;郝思媛;张冬雪;李震;;基于样本特性欠取样的不均衡支持向量机[J];控制与决策;2013年07期

3 段明秀;唐超琳;;一种基于密度的聚类算法实现[J];吉首大学学报(自然科学版);2013年01期

4 丁静;杨善林;罗贺;丁帅;;云计算环境下的数据挖掘服务模式[J];计算机科学;2012年S1期

5 赵祖应;丁勇;邓平;;基于Apriori算法的购物篮关联规则分析[J];江西科学;2012年01期

6 郭亚枫;;我国物流业的发展及存在问题分析[J];物流工程与管理;2012年01期

7 张增敏;谢嘉;;基于数据挖掘技术的B2C电子商务系统研究与实现[J];山东农业大学学报(自然科学版);2011年03期

8 王铁君;邬月春;;基于混沌粒子群算法的物流配送路径优化[J];计算机工程与应用;2011年29期

9 王飞;;数据挖掘在零售业中的应用[J];科技信息;2011年06期

10 胡文瑜;孙志挥;吴英杰;;数据挖掘取样方法研究[J];计算机研究与发展;2011年01期

  本文关键词：基于关联规则挖掘的货物运输平台信息推荐功能的研究与实现，由笔耕文化传播整理发布。

本文编号：443567