基于Apriori算法的高校人力资源数据挖掘系统

以基于数据挖掘关联规则的Apriori算法基本原理为依据,介绍了高校人力资源数据挖掘系统主要功能模块的组成,着重研究了Apriori算法的设计与实现.该数据挖掘系统为高校人力资源决策提供了科学的依据,在高校人力资源管理应用中做出了有益的尝试.     

基于大数据的交通流量模式分析

针对城市道路交通系统汽车流量时空分布严重不均且难以预测,极易引发交通拥堵的问题,基于城市交通监控系统中采集到的海量视频数据,结合模式识别技术与大数据挖掘方法,提出建立城市道路交通中车辆日常出行模式的方法。为进一步优化交通信号配时、调控交通流量、提高交通管理效率和道路资源利用率进而改善交通拥堵状况,提供有效的数据支持。     

基于关联规则算法的医疗数据挖掘

通过研究基于两阶段频集思想的Apriori算法,针对Apriori算法的性能瓶颈提出了改进的Apriori算法,利用改进的Apriori算法对乳腺疾病数据进行挖掘,使用SQLServer2005数据挖掘工具,主要建立肿瘤复发和其他属性间的关联规则.挖掘结果证明了关联规则算法在医疗数据挖掘中的有效性.     

基于模式与规则寻找的数据挖掘研究

企业在商业运营中积聚了大量的数据,如何从大量的数据中找出有价值的信息,帮助企业分析产品市场走向并提供更好的商务决策是目前数据挖掘领域研究的热点.以Apriori算法为主,介绍了基于模式与规则寻找的数据挖掘技术中的模式与规则寻找方法、关联模式评估方法等,为企业数据挖掘系统的研究与设计提供有益的帮助.     

基于关联规则的数据挖掘技术在CRM中的应用研究

阐述了数据挖掘技术在客户关系管理中的应用,说明了关联规则分析是数据挖掘技术中一项非常重要的功能,利用Apriori算法对客户挖掘信息数据库进行关联关系分析,通过分析进一步明确数据挖掘在CRM系统中的重要性。     

商务智能系统中两种改进的关联规则挖掘算法

根据日常商务数据的特点,提出了商业应用系统中进行数据挖掘的改进的Apriori算法和对点击流数据进行挖掘的改进的多支持度关联规则算法,并结合具体实例进行了分析.分析结果表明,2种改进的算法可以有效地提高系统数据挖掘的效率.     

基于车牌识别数据的机动车出行轨迹提取算法

为了提取城市路网上所有运行车辆的出行轨迹,系统科学地再现所有车辆的运行场景,进而为分析城市交通需求的结构和时空分布特性提供数据支撑,提出基于车牌识别数据的机动车出行轨迹提取算法.通过车牌及时间戳排序提取出行链;利用相邻节点间的速度,结合交叉口邻接矩阵完成行链的分离;基于K则最短路径算法（KSP算法）及灰色关联法（GRA算法）,对出行轨迹进行补全重构.对贵阳市南明区的实际车牌识别数据进行算法测试.结果表明,提出的基于车牌识别数据的机动车出行轨迹提取算法在测试区域的综合准确率大于92%.     

基于GERT随机网络的城市交通流仿真研究

针对传统城市交通流模型仅适用于非拥挤城市交通路网规划,无法拟合路段行驶时间依赖于交通负荷变化的城市交通流时空分布网络问题的缺陷,运用GERT随机网络对城市交通流进行仿真模拟.将普通动态交通规划模型无法反映的各路径交通流之间相互影响的内在逻辑关系考虑在内,使得动态交通规划更具现实指导意义.对贵阳喷水池交通枢纽路段的实际案例分析表明,该方法可以为城市交通规划提供有力地决策支持.     

教育考试数据挖掘系统研究与实现

进行教育考试信息挖掘与分析研究,有利于充分发掘教育考试数据的潜在价值,更好地为教育管理、决策提供科学的依据.针对教育考试数据,研究了教育考试数据挖掘系统的整体架构以及面向主题的数据挖掘实现.在分析教育考试数据资源现状与特点的基础上,提出了教育考试数据挖掘系统框架,采用Apriori算法生成频繁数据项集,并对考生高考科目成绩进行关联规则挖掘.结果表明,教育考试各门科目成绩之间存在紧密关联性,规则的置信度均达到75%以上.     

出租车司机载客点推荐算法

近年来城市的高速发展,使得城市的范围不断扩大,布局不断变化。搭乘出租车是市民出行的重要交通方式。不同的出租车司机对于城市的熟悉程度不同,选取载客点时会有不同倾向。选取正确的载客点,不仅可以缓解城市交通问题,而且对司机的收入影响较大。提出了基于时空数据挖掘的出租车司机载客点推荐算法,首先用HITS-K算法对城市内的不同时段进行热点地区聚类,再对出租车司机的日常活动模式进行分析,最后根据热点区域聚类与出租车司机的活动模式对载客点进行推荐。     

关联规则挖掘在道路交通事故分析中的应用

从大量的交通事故数据中找出引发交通事故的关键因素是提高道路安全水平的重要手段。基于某市全年的交通事故数据,采用改进的Apriori算法挖掘出强关联规则,通过一个新的相关性度量——相关值对关联规则进一步筛选,从中找出各因素对交通事故的影响规律。结果表明,该方法可以一定程度上提高关联规则挖掘的效率,并能够量化事故原因和事故结果之间的相关程度,从而找出有价值的规则。本文的研究方法和结果可以为相关交通管理部门提供决策支持。     

Apriori算法的改进及其在电力数据挖掘中的应用

数据挖掘是近年来数据库领域的研究热点之一,在电力系统中有很好的应用前景．文章首先分析了当前Apriori算法及主要的改进算法,在此基础上提出了一种快速产生候选频繁项集的新的Apriori改进算法,并就Apriori算法在电力系统数据挖掘中的应用进行了分析．     

数据挖掘技术在高校学生就业指导决策中的运用

高校学生的招生、就业等信息数量庞大，表目繁多，对这些数据有效地进行预处理，并进一步挖掘以获得有利于高校教学管理决策和毕业生就业指导的有用信息，具有重要意义.以沈阳市某高校学生招生就业数据为基础，建立了一个基于学生信息的关联规则挖掘系统，并对其中的Apriori算法进行优化，同时对由频繁项集生成关联规则的算法给予改进，挖掘结果中产生了大量有益信息，通过实际检验，该优化算法能避免大量无意义关联规则的产生并提高挖掘效率.     

关联规则挖掘Apriori算法的研究与改进

关联规则挖掘是数据挖掘领域中的重要研究方向，该文在分析关联规则挖掘Apriori算法原理和性能的基础上，指出了该算法存在着两点不足：扫描事务数据库的次数和连接成高维候选项目集时的比较次数太多。并提出了一种效率更高的S-Apriofi算法，该算法通过采用新的数据结构和原理，克服了传统Apriori算法的缺点，从而大大提高了运算效率。     

Apriori算法分析与改进综述

数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性.通过对关联规则挖掘技术及其相关算法Apriori进行分析,发现该技术存在的问题.本文介绍了能优化该技术的各种算法,分析了这些算法各自的优缺点,并针对这些问题提出了未来的研究方向.     

不确定性空间数据挖掘算法模型

在分析空间数据和空间数据挖掘的不确定性基础上，针对传统空间数据挖掘的局限性，将空间数据的不确定性和空间数据挖掘的不确定性有机结合，以EM算法和Apriori算法为基础，建立了不确定性空间数据挖掘算法模型，包括不确定性空间数据聚类算法（UNEM）和不确定性空间数据关联规则挖掘模型（USAR）．并以中国37个有代表性的大中城市的地理空间经济数据为例，进行实验验证，结果表明：采用不确定性空间数据挖掘算法模型比传统的空间数据挖掘方法得到的知识更为真实客观．     

关联规则挖掘算法研究及改进

关联规则挖掘是数据挖掘及知识发现领域的重要研究内容之一,其核心任务是挖掘数据库中的频繁项集.Apriori算法是频繁项集挖掘的有效算法.在Apriori的算法中,采用哈希树存储平凡项集的候补项集以便快速计算其支持度.本文在分析算法所存在的效率瓶颈的基础上,提出了一个有效的改进算法,通过利用一维数组替代算法中复杂的哈希树...     

数据挖掘技术在Snort IDS中的应用

以Snort入侵检测系统为基础,应用数据挖掘技术在Snort系统中构建了一个异常检测模块,提高了Snort的检测效率.系统通过引入基于Apriori算法的数据挖掘模块,能有效检测网络事务中的一些异常状态,特别对于DOS攻击检测比原来Snort系统有较明显改善,提高了Snort对异常攻击行为的检测能力.实验表明,系统具有较好的效果.