基于关联规则的股票预测方法研究

近年来证券市场迅速发展,股票信息爆炸式增长,如何从庞大的数据信息中找到有用的知识为投资者的投资行为提供指导,已成为一个重要的学术研究方向。股票市场的预测方向多种多样,主要包括股价趋势、循环周期和持续时间等。从关联规则挖掘技术入手,引入主观兴趣度约束和客观兴趣度约束,挖掘股票收益率信息,实现对股价趋势的预测。同时对比实际股票数据结果,测试挖掘规则的准确率。     

基于关联图的关联规则挖掘算法研究

在挖掘关联规则的过程中 ,一个关键的步骤是产生频繁项目集 .本文给出一种基于关联图的关联规则挖掘算法 ,并将它与性能比较好的关联规则挖掘算法 DHP进行了比较 ,结果表明 ,本文的算法优于 DHP算法     

基于关联规则的股票涨跌趋势的预测研究

随着证券市场的迅猛发展,股票数据信息爆炸式增长,如何从庞大的敷据中找到有用的信息来指导投资者的投资行为成为一个重要的学术研究方向.从数据挖掘技术入手,在关联规则分析的处理算法基础上,引入股票成交量数据项以及二雏时间模式对股票敷据进行数据挖掘,并对比试验的结果.试验证明,该改进时投资者提供了更为有效的决策支持.     

基于关联规则和情景规则的网络告警分析模型

网络告警关联中隐含着丰富的模式知识,通过研究告警信息间的因果相关性,能够显著的提高网络故障管理的智能度.文章通过研究网络告警中的知识发现问题,提出一种基于关联规则和情景规则的网络告警分析模型.     

关联规则的衡量标准研究

传统的关联规则有趣性大多是基于支持度和置信度的衡量标准。本文首先对经典的支持度-置信度框架存在的不足进行了分析,然后对现有的衡量标准进行了综述,并阐述了各自的优缺点,最后指出了关联规则衡量标准的研究方向。     

一种基于关联规则的网络软件缺陷预测方法

针对网络软件缺陷预测中缺陷之间的显性关联关系和隐性关联关系,为提高网络软件缺陷预测的精确度和效率,基于现有的软件缺陷数据集,提出一种基于关联规则的网络软件缺陷预测方法。首先采用随机方法从美国国家航空航天局NASA的软件缺陷数据库中提取用于分类和测试的数据集,利用关联规则方法中Apriori算法对数据集进行关联规则生成和关联分类器的构建,并与BP神经网络方法的预测结果进行对比。结果表明,基于关联规则方法能够在小样本数据集中提高网络软件缺陷预测的精确度和有效性。     

基于关联规则的主动防御研究

传统的防火墙、入侵检测技术存在对未知的入侵模式的攻击不能有效识别的缺陷,本文引入关联规则的数据挖掘技术,作为主动防御中对未知程序行为的模式判断。该策略的应用能够降低入侵检测系统的误报率。从用户行为模式出发对病毒、木马实施主动防御的方法是可行的。     

关联规则挖掘在经济林害虫预测中的应用研究

将关联规则理论引入兰州市主要经济林重点害虫数据分析中,利用提出的一种Apriori算法的变形算法MARBDT在害虫数据构建的信息表上提取决策关联规则,建立了经济林害虫发生规律的预测模型,为本地的害虫防治提供辅助决策.     

基于兴趣度的关联规则挖掘

关联规则挖掘是数据挖掘领域中的重要研究内容之一。然而,传统的基于支持度-可信度框架的挖掘方法可能会产生大量不相关、甚至是误导的关联规则。针对现有关联规则挖掘的评价标准存在的问题,提出在评价标准中增加兴趣度,并给出了兴趣度的定义和基于兴趣度的关联规则挖掘算法。利用兴趣度将关联规则分为正关联规则和负关联规则,从而可以用算法挖掘带有负项的关联规则。实验结果分析表明,在传统挖掘方法的基础上引入兴趣度,可以有效地减少正关联规则的规模,产生有意义的负关联规则。     

基于兴趣度的关联规则挖掘

关联规则挖掘是数据挖掘领域中的重要研究内容之一。然而,传统的基于支持度-可信度框架的挖掘方法可能会产生大量不相关、甚至是误导的关联规则。针对现有关联规则挖掘的评价标准存在的问题,提出在评价标准中增加兴趣度,并给出了兴趣度的定义和基于兴趣度的关联规则挖掘算法。利用兴趣度将关联规则分为正关联规则和负关联规则,从而可以用算法挖掘带有负项的关联规则。实验结果分析表明,在传统挖掘方法的基础上引入兴趣度,可以有效地减少正关联规则的规模,产生有意义的负关联规则。     

数据挖掘关联规则的研究

关联规则作为数据挖掘的一个重要研究分支,其主要的研究目的是从大型数据集中发现隐藏的、有趣的、属性间存在的规律。本文就数据挖掘中的关联规则做了简要论述。     

基于关联规则的自然灾害预测系统

建立自然灾害预测模型,对自然灾害进行预测和分析,有利于提升防灾减灾的技术水平.基于关联规则和Web文本挖掘技术提出自然灾害预测系统的设计方案及实现方法.该系统利用成熟开源的爬虫框架从权威的灾害信息发布平台中定向抓取非结构化的自然灾害信息,通过中文分词技术进行数据清理将其整理成结构化的自然灾害数据库,并利用改进的关联规则算法从中挖掘出自然灾害事件的关联规则,进而可通过实时监控关联规则的前端信息,实现对自然灾害事件的预测.试运行结果表明该系统能有效挖掘出自然灾害信息的关联规则,并具有较高置信度.     

基于关联规则的数据挖掘研究

关联规则挖掘可以发现大量数据中项集之间相关联系的知识,这些重要信息是关于这些数据的整体特征描述以及对其发展趋势的预测,对决策的制定有着重要的参考价值。主要介绍了数据挖掘和关联规则挖掘的概念,并对数据挖掘经典算法Apriori的进行了分析与改进,算法的改进可以有效地减少对数据库的扫描次数,使挖掘的效率更好更快。     

基于序列关联规则挖掘的Web日志预测精度研究

目前许多研究关注如何利用序列关联规则预测用户最近的HTTP请求,这些研究主要利用次序信息或时间信息来进行剪枝,以提高预测的精度。该文对不同序列关联规则进行了分析和比较,给出了不同次序信息和时间信息的条件下各种序列模式挖掘算法。并使用实验比较这些算法的预测精度。通过对实验结果的分析,为进一步提高预测的精度指明了方向。     

基于Web数据挖掘的高效关联规则研究

随着网络资源越来越丰富,Web数据挖掘逐渐成为因特网上资源有效利用的研究热点。本文提出通过对因特网上非结构化数据的XML格式进行筛选等处理,然后转化为结构化数据存储在SQL Server数据库中。并在此基础之上利用关联规则发现以生成最小关联规则集来代替完全关联规则集,就可以有效地剪除弱关联规则,大幅度地减少候选频繁项目目集,从而提高规则发现效率。最后,在传统经典算法Apriori基础上,利用弱关联规则的向上关闭特性设计了一个相应的高效算法。     

基于关联规则的数据挖掘算法研究

首先介绍了关联规则的基本概念,然后详细地介绍了Apriori算法,同时也指出了Apriori算法的一些不足。针对这些不足提出了解决方法,描述了几种优化算法。最后对关联规则研究范围进行了拓展。     

基于粗糙集的关联规则算法的研究

根据信息系统理论,从等价类和最小支持度的概念的角度,很容易找出频繁集,并通过实验证明了粗糙关联规则的高效性。     

基于关联规则的财务信息管理系统

为了提高财务管理的工作效率及准确性,提出基于关联规则的财务管理系统。在JBPM (Java Business Process Management)工作流引擎构架基础上,利用关联规则挖掘信息特征,融合财务信息;将MVC(Model—View—Controller)分层设计思想应用于分层控制,对其数据加载和程序进行多种web数据格式的编译控制,并接入财务信息管理系统中,实现网络化管理。测试结果表明,系统工作效率和计算精准性均优于传统方法,且可有效降低企业财务成本支出。     

关于关联规则算法中规则遗失问题的研究

针对Apriori算法及ML-T2算法在应用时会造成规则遗失的问题，文章对关联规则进行了研究，并提供了可行的解决方案。其一为不改变原算法从顶到底的思想，充分利用预先设置的minSup值，通过在高层上预存可能会在底层上构成候选大项集的项集来保证有用规则的完全提取；其二则采用从底到顶的思想，运用不产生候选大项集方法，并把它扩展到由底层到顶层的各层建立各自的FP树，这样也不会造成有用规则的丢失。     

基于规则兴趣度的关联分类

关联分类具有较高的分类精度和较强的适应性,然而由于分类器是由一组高置信度的规则构成,有时会存在过度拟合问题。提出了基于规则兴趣度的关联分类（ACIR）。它扩展了TD-FP-growth算法,使之有效地挖掘训练集,产生满足最小支持度和最小置信度的有趣的规则。通过剪枝选择一个小规则集构造分类器。在规则剪枝过程中,采用规则兴趣度来评价规则的质量,综合考虑规则的预测精度和规则中项的兴趣度。实验结果表明该方法在分类精度上优于See5、CBA和CMAR,并且具有较好的可理解性和扩展性。