基于模糊关联规则的交通事故分析应用研究

研究发现交通事故潜在规律,预测交通事故的发生,针对关联规则方法用于交通事故分析,对交通的数值型属性无法给出有效地划分,为提高安全管理决策,提出引入模糊聚类,用改进FCM( Fuzzy c-Means)方法对数值属性进行聚类,可用取值的范围对分类属性进行聚类,采用模糊关联规则挖掘导致交通事故的原因和规律.模糊关联规则首先对FCM算法进行了改进,包括隶属度、权值和中心点的计算和修正方法,利用模糊关联规则方法进行挖掘,最后对算法进行了仿真和可视化显示,结果表明模糊关联规则方法挖掘出的规则符合现实情况,为交通管理提供有效的方法.     

关联规则在道路交通事故中的应用研究

针对近年来交通事故的频繁发生,本文提出了使用数据挖掘领域中的关联规则分析大量道路交通事故记录的方法,以便找出交通事故中各属性之间的关联,为交通管理部门采取预防举措提供依据。研究表明,该方法在道路交通事故的研究中有着良好的应用前景,能够挖掘出大量符合真实规律的关联规则。     

基于周期规律的加权时态关联规则挖掘算法

数据挖掘过程中只考虑数据项权重或者只考虑时态语义会导致挖掘结果不全面。针对该问题,对加权关联规则、时态关联规则和时态数据周期规律进行研究,将权值、K-支持期望和周期等概念引入到时态关联规则中,提出一种基于周期规律的加权时态关联规则挖掘算法。以某管理系统审计数据为例进行实验验证,结果表明该算法能够准确地挖掘出数据库中的加权时态关联规则,与加权关联规则算法相比,在时间复杂度相同的情况下能使关联规则的挖掘结果更加全面。     

一种无冗余的Web日志挖掘算法

Web日志挖掘是Web数据挖掘的一个重要研究领域。Web日志挖掘通过发现Web日志中用户的访问规律和模式,可以提取出其中潜在的规律和信息,人们对这个领域的研究也日益重视。然而,传统的基于关联规则的Web日志挖掘算法都是基于所有关联规则的。这种方式往往挖掘产生大量的候选规则,而且存在大量冗余的规则。提出了一种新的无冗余的Web日志挖掘算法,该算法通过引入频繁闭项集合最小关联规则的概念,从而解决了以往基于所有关联规则挖掘算法中出现的上述问题。     

基于AHP和混合Apriori-Genetic算法的交通事故成因分析模型

针对交通事故数据多维多层的特点,对交通事故的主要成因与潜在规律进行了研究。从驾驶员、车辆、时间—地点、环境四个维度出发,提出了基于层次分析法（AHP）和混合Apriori-Genetic的模型挖掘事故成因。首先,引入AHP对事故诱发因素进行重要度排序,在客观分析的基础上将事故因素量化,筛选出引发交通事故的主要因素;其次,结合混合的Apriori和遗传算法对主要因素进行定向分析,找出关联规则,提高挖掘的准确性。相关对比实验的结果表明该模型可以减少无用规则的产生并提高挖掘的准确性,具有一定的科学意义和应用价值。     

Web行为下的正向关联规则挖掘研究

Web关联规则挖掘研究用户对Web站点上不同页面之间的访问规律,为智能Web站点的个性化服务提供知识依据。文中讨论在Web使用挖掘中如何实现关联规则挖掘与访问序列相结合,挖掘切实有效的关联规则;具体阐述如何构造最大向前路径,并将关联规则与最大向前路径匹配、过虑的过程。试验证明得到的关联规则可作为智能Web站点的有效知识依据。     

Web行为下的正向关联规则挖掘研究

Web关联规则挖掘研究用户对Web站点上不同页面之间的访问规律,为智能Web站点的个性化服务提供知识依据。文中讨论在Web使用挖掘中如何实现关联规则挖掘与访问序列相结合,挖掘切实有效的关联规则;具体阐述如何构造最大向前路径,并将关联规则与最大向前路径匹配、过虑的过程。试验证明得到的关联规则可作为智能Web站点的有效知识依据。     

OLAP关联规则挖掘

该文提出一种新的关联规则挖掘方法,OLAP关联规则挖掘。OLAP关联规则挖掘是OLAP技术和一些高效的关联规则挖掘算法的结合。OLAP关联规则挖掘方法是一种灵活的、多维的、多层次的高性能方法。该文首先介绍了O-LAP关联规则挖掘的结构,最后详述了OLAP关联规则挖掘的具体实现。     

关联规则挖掘研究

关联规则挖掘是数据挖掘的知识模式中比较重要的一项任务,它的目的是发现数据集中所有的频繁模式。根据关联规则定义及属性,可发现关联规则。利用Apriori算法实现了关联规则的挖掘,关联规则可以产生清晰有用的结果;可以广泛应用于各个领域,既可以检验行业内长期形成的知识模式,也能够发现隐藏的新规律,是完成数据挖掘任务的一个重要手段。     

高速公路交通事故成因分析与关联因素研究

基于主成分分析原理研究了主成分分析在高速公路交通事故中的应用,根据数据分析结果,得出了影响交通安全的主要原因,进而采用关联规则挖掘方法挖掘出导致事故原因的条件因素,从而提出相应的预防措施,以达到降低高速公路交通事故发生的目的。     

基于关联规则理论的道路交通事故数据挖掘模型

根据数据挖掘技术中的关联规则理论,提出"道路交通事故属性"的定义,并建立一种新的道路交通事故数据挖掘模型,利用改进的多维多数据类型的Apriori算法,从记录交通事故的数据库中发现潜在的、有价值、有联系的规律,用以指导交通管理部门找出道路黑点,并做出决策,杜绝事故隐患、减少事故发生,保障人们的生命和财产的安全。     

交通事故的多维关联规则分析

城市机动车数量的增加已经导致城市交通事故的频繁发生，能否对已发生事故作出正确的分析将直接影响到能否对未来类似事故的成功避免。本文提出一种使用数据挖掘领域中的多维关联规则技术分析大量交通事故记录的方法，通过找出可能导致交通事故发生的频繁因素组合来发现某些事故发生的规律，并将这些规律作为现实中作出预防举措的依据。     

流形学习及维数约简在数据隐私保护中的应用

采用流形学习及维数约简方法可以有效保护敏感数据。针对交通事故黑点的敏感数据挖掘中隐私保护问题,提出了综合应用等距变换和微分流形两种算法来提高原始数据保密程度的方法,采用基于旋转的等距变换扰乱数据,用Laplacian Eigenmap对高维数据进行非线性降维,在保留数据内在几何结构的同时,进一步扰乱数据。该方法有效地应用于交通事故黑点数据隐私保护中,同时降低了原始数据的维数,便于后续的数据挖掘与分析。     

数据挖掘关联规则算法在移动通讯系统分析方面的应用

数据挖掘是从大量数据中获得重要的信息或者是为了作重大决策提供充分依据的技术。在本文中参照数据挖掘的关联规则实现了一个简单的算法,用于在通信系统的话务和告警等数据中发现其中一组数据和其它组数据的关系,从而可以实现一些可以应用于通信系统的无线覆盖分析和其它统计分析的功能。     

基于GIS的道路事故黑点聚类应用研究

由于地理信息系统中数据的多样性和空间复杂性,在GIS数据空间挖掘时原有的挖掘算法会遇到一些新问题。本文针对城市道路网中交通事故黑点发掘问题,对基于密度的DBSCAN算法进行改进,使改进后的算法能够确保聚类仅在连通空间内进行。最后以某市交通事故数据为例对该方法进行验证,实验结果表明此方法是有效的。     

大尺度IP网络流量异常特征的多时间序列数据挖掘方法*

降低漏报率和误检率是网络流量异常检测的难点问题之一。本文提出了一种大规模通信网络流量异常特征分析的多时间序列数据挖掘方法,把多个网络流量特征参数构成的时间序列作为一个整体进行分析研究,进行多时间序列数据挖掘产生网络流量异常相关的有效关联规则,对整个通信网络的安全威胁进行准确地描述。Abilene网络数据验证了本文的方法。     

空间语义增强下的城市交通事故数据可视分析

目的 海量城市交通事故数据可能蕴含有交通事故的空间模式，挖掘出交通事故的空间模式有助于开展交通事故的防治工作。目前交通管理部门虽然记录了交通事故发生地的空间位置信息，但没有对事故发生地进行空间语义描述，从而影响对交通事故空间模式的深入分析。因此，提出一种交通事故数据空间语义增强方法，并设计了一套可视分析系统。方法 基于城市兴趣点来增强交通事故数据的空间语义。以事故发生点为中心获取周围城市兴趣点，使用特征向量刻画兴趣点的数量、类别及其与事故发生点的距离，并称此向量为空间语义特征向量。将空间语义特征向量和相应的交通事故关联，以达到增强其空间语义的目的。然后，基于空间语义特征向量，使用自组织映射聚类算法对交通事故进行聚类分析，根据其空间语义特征将交通事故分为若干类别。最后，通过使用地图视图展示事故点数据、聚类视图和平行坐标视图展示聚类分析的结果及其空间语义特征的可视化方法，对交通事故的空间模式进行分析。结果 针对空间语义增强的交通事故数据以及相关分析任务，有效地使用上述数据分析方法与可视化技术，设计并实现了一套多视图关联的可视分析系统，提供了便捷的交互方式辅助用户分析。通过研发人员和交通警察共同对安徽省合肥市2018年的交通事故数据进行分析，将交通事故发生地划分9类并指出每类地点的空间语义特点，进一步分析出了事故高发区域的空间语义特性。结论 本文提出的交通事故数据空间语义增强方法和可视分析方法可以帮助用户揭示交通事故的空间语义模式，有助于深入分析和认识交通事故的成因，能为交通事故防治相关的城市建设工作提供建议。     

基于最大值约束的模糊关联规则挖掘

数据挖掘是从数据库中发现潜在有用知识或者感兴趣模式的过程。在数据挖掘领域中主要集中于单一支持度下的关联规则挖掘,在事务数据库中发现项目之间的关联性,而在实际应用中,项目可以有不同的最小支持度,不同的项目可能具有不同的标准去判断其重要性,因此提出一个在最大值支持度约束下,发现有用的模糊关联规则挖掘算法,在该约束下,利用逐层搜索的迭代方法发现频繁项目集,通过实例证明了该挖掘算法是易于理解和有意义的,具有很好的效率。