基于时间序列的动态关联规则挖掘研究

论文摘要

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对元规则的支持度计数进行建模分析。综上,本文重点对动态关联规则的元规则进行建模研究。利用ARIMA模型、GM（1,1）模型以及构建的ARIMA-GM组合模型依次对元规则的支持度计数进行建模,并验证模型的合理性以及最优性,结果显示提出的ARIMA-GM模型能够更好地反映元规则支持度计数序列的变化趋势,进而帮助商家制定合理有效的销售策略。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•     1.2.1 国内研究现状
•     1.2.2 国外研究现状
•   1.3 研究的思路
•   1.4 研究的主要内容
• 2 关联规则概述
•   2.1 关联规则基本概念
•     2.1.1 关联规则的定义
•     2.1.2 关联规则的挖掘过程
•     2.1.3 关联规则相关分析
•   2.2 动态关联规则
•     2.2.1 动态关联规则定义
•     2.2.2 动态关联规则元规则
•     2.2.3 动态关联规则的趋势度
•     2.2.4 动态关联规则相关分析
•     2.2.5 频繁项集的产生及经典算法
•   2.3 动态关联规则与普通关联规则的对比
•   2.4 本章小结
• 3 基于ARIMA模型的元规则分析及应用
•   3.1 时间序列的统计特征
•   3.2 ARIMA模型分析
•   3.3 模型的建模步骤
•   3.4 基于ARIMA模型的元规则分析
•     3.4.1 序列的平稳性检验以及处理
•     3.4.2 模型的建立
•     3.4.3 模型的白噪声检验
•     3.4.4 模型的拟合
•   3.5 本章小结
• 4 ARIMA-GM模型在动态关联规则中的应用
•   4.1 ARIMA-GM模型分析
•   4.2 模型的建模步骤
•   4.3 基于ARIMA-GM模型的元规则分析
•   4.4 本章小结
• 5 实例分析
•   5.1 实例描述
•     5.1.1 挖掘的目标
•     5.1.2 数据预处理
•     5.1.3 规则挖掘
•     5.1.4 规则分析
•     5.1.5 模型验证
•   5.2 本章小结
• 6 结论与展望
•   6.1 结论
•   6.2 展望
• 攻读学位期间参加的科研项目及发表的学术论文
• 致谢
• 参考文献

文章来源

类型: 硕士论文

作者: 秦琳琳

导师: 彭高辉

关键词: 数据挖掘,动态关联规则,元规则,支持度计数,模型

来源: 华北水利水电大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,计算机软件及计算机应用

单位: 华北水利水电大学

分类号: TP311.13;O211.61

总页数: 53

文件大小: 1075K

下载量: 373