汇率趋势预测数据挖掘的数据预处理方法

要用数据挖掘的方法得到有关汇率变动的趋势预测,其首要任务就是对这些汇市消息摘要进行一定的数据预处理,将其转换成具有一定结构的、有利于数据挖掘方法实现的目标语言。该文就是一个这样的对汇市消息摘要的预处理方法,它对有关汇市消息摘要的领域知识进行了详细的分析,得出了相应的领域规则知识,并对基于TRIE索引树的分析词典机制犤2犦加以改进,建立了一定的相关算法,从而实现了从汇市消息摘要到Bayes语言的数据挖掘的数据预处理。     

基于贝叶斯方法的分类预测

介绍了基本的贝叶斯分类模型和贝叶斯信念网络模型,对网络模型的学习进行了讨论。并从实际出发,提出了几种可以简化模型结构、降低学习复杂性的可行方法,简要说明了这些方法在网络模型中的应用。对贝叶斯分类模型的准确性及其主要特点进行了分析。     

Bayes网络在汇率趋势预测中的应用

根据汇率变化特点,设计了一个用贝叶斯网络方法建立的基于消息的汇率预测模型和算法,在实际应用中得到了较高的预测准确度。     

基于贝叶斯网络的数据挖掘方法

常用的数据挖掘方法有许多,贝叶斯网络(Bayesian Networks,BN)方法在数据挖掘中的应用是当前研究的热点问题.贝叶斯网络是一种进行不确定性推理和知识表示的有力工具,当与统计方法结合使用时,显示出许多关于数据处理的优势.首先介绍了BN的定义、方法的优点以及目前网络学习的各种算法,最后用一个实际中的案例进行试验,指出了在数据挖掘技术中的具体应用.得到了将贝叶斯网络应用于数据挖掘当中,充分挖掘数据的隐含信息和内在本质,具备良好地预测能力等优点,实验证明这种方法实用、有效.     

基于数据挖掘的异常交易检测方法

提出一种基于数据挖掘的异常交易检测方法,可以在业务层面和操作层面对交易中的异常进行检测。当一个用户提交一笔新的消费交易时,采用贝叶斯信念网络算法判断当前交易属于正常交易的后验概率,作为在业务层面的可信因子;然后提取该用户在当前交易之前的若干个操作,与当前交易一起构成一个固定长度的操作序列,并通过BLAST-SSAHA算法将其与该用户正常操作序列和已知异常操作序列进行比对,得出在操作层面的可信因子。综合考虑业务层面的可信因子和操作层面的可信因子,最终决定当前交易是否为异常交易。     

基于神经网络型数据挖掘技术的股价预测

提出适用于神经网络型数据挖掘的过程模型.按照选取数据样本、数据转换、网络建模、网络仿真、结果评价这样一个完整的数据挖掘过程,对上证指数走势进行预测,得到了较高的预测精度.说明了神经网络型数据挖掘技术在非线性系统预测中的优势,探讨了非线性系统预测的一种新思路.     

基于神经网络的汇率预测

神经网络在理论上具有无限的函数逼近能力。它在预测领域可以取得很好的效果。利用神经网络的数值逼近与记忆功能，根据汇率历史观测数值，可以识别出汇率序列的内在模式。本文首先说明了利用神经网络进行汇率预测的原理和方法。然后着重探讨了神经网络汇率预测的重要步骤。最后根据不同的衡量指标对测试结果进行了分析。     

基于贝叶斯网络的电信客户流失预测分析

电信客户流失分析常用的数据挖掘方法有自动聚类、决策树和人工神经网络,它们是采用数据本身来训练模型的,没有利用先验知识。电信客户流失是由客户心理、服务质量和对手竞争等诸多复杂的因素造成的,利用这些已有的先验知识,可以提高预测的精度。该文根据先验知识选取分析变量,采集样本数据,通过贝叶斯网络的结构学习和参数学习,建立客户流失模型并进行客户流失趋势预测,取得了比标准数据集更准确的结果,该结果和决策树方法的预测结果相比还具有较大的优势,说明贝叶斯网络是分析客户流失等不确定性问题的有效工具。     

贝叶斯动态模型及其预测算法在数据挖掘中的应用研究

通过对贝叶斯预测过程的研究,提出了应用于数据挖掘的10类贝叶斯动态模型及其预测算法、并解决了非线性动态模型的线性化问题。以该模型及算法建立的数据挖掘系统经过实例测试其效果很好,有较高的理论和实用价值,可以在政府、企业等领域内推广应用。     

内容分发网络中基于数据挖掘的影片热度预测

内容分发网络(CDN)系统对内容热度的估计主要依靠管理员的经验,所以主观性比较大,无法保证服务质量(QoS)。首先对数据进行预处理,得到预测影片的初始知识库,利用数据挖掘技术对已有知识进行学习,对新加入的影片热度进行预测,将影片合理部署到CDN系统中。比较基于贝叶斯网络的影片热度预测和基于决策树模型的影片热度预测,在正确分类率和其他分类参数相同的前提下,贝叶斯网络所用的时间更短,所以选择贝叶斯网络分类器,解决管理员部署时不准确的问题,提高CDN系统的效率。     

基于数据挖掘的电网高峰负荷预测系统

分析电网高峰负荷运行规律,以数据挖掘为核心技术,搭建数据仓库平台,在此基础上给出一种混合策略的神经网络的高峰负简预测系统,该系统将模糊聚类、L-M神经网络等综合技术融合一体,可以从海量负荷数据中挖掘出有用知识为电网高峰负荷预测服务。     

基于数据挖掘的PSO-BP短期电力负荷预测

针对海量用电数据环境下,如何提高电力负荷预测精度的问题,采用数据挖掘对电力负荷历史数据进行聚类分析以及异常检测,并利用灰色序列对异常数据进行修正。利用蚁群算法对粒子群优化-反向传播(PSO-BP)算法进行优化,以提高算法的预测精度。通过对历史负荷数据进行试验,验证该方法的预测平均误差为3.16%,低于无数据挖掘的PSO-BP算法模型以及PSO-BP算法模型的预测误差。该方法具有一定的实用性以及有效性。     

基于BP神经网络算法的数据挖掘方法研究

详细介绍了数据挖掘技术的相关概念、任务以及神经网络原理,指出了传统的BP算法在数据挖掘过程中的不足之处,提出了一种变异的BP神经网络算法,大大提高了BP神经网路算法的收敛速度.     

基于并行共享挖掘算法的电力负荷预测

影响电力负荷的因素有很多,用于电力负荷预测的数据随着电网规模的扩大也越来越多。传统预测方法不能通过挖掘大量数据,有效地建立电力负荷预测模型。论文结合并行共享数据挖掘技术,综合分析了基于HADOOP的并行共享决策树算法(PSDT)以及SLIQ算法,提出了一种新的方法来构建电力负荷预测模型。试验结果表明,使用该方法构建预测模型实用性较强,并且有良好的扩展性。     

基于模糊方位编码和神经网络的汇率走势预测

汇率的波动受到多种不确定因素的影响，很难找到一种模型精确有效地刻画汇率波动与其影响凼素之间存在的联系。该文提出了采用改进的模糊方位编码疗法表示汇率走势，然后采用神经网络预测汇率走势的方法。通过实际系统运行，结果表明，该方法具有较岛的预测准确度，并且能够得到客户更关心的较高的理论获益度。     

基于网络信息安全防范与Web数据挖掘技术整合的研究

人类现在已经全面进入了网络信息时代,网络经济也出现了较为快速的发展。然而现在网络经济的进一步发展却受到了信息安全的制约,因此人们对如何保障信息安全给予了越来越多的关注。现在,通过对Web数据挖掘技术的充分运用能够促进网络信息安全的进一步提升,与此同时,其还逐渐的成为促进信息安全防范绩以及网络信息安全有效提升的关键性技术。本文针对基于网络信息安全防范与Web数据挖掘技术的整合进行了分析和探讨。