数据挖掘技术综述

本文重点介绍了数据挖掘技术,论述了数据挖掘的定义、分类和算法,指出了数据挖掘未来研究的方向。     

基于数据挖掘的新产品竞争预测模型

由需求理论，供应商市场有着很强的聚集效应，所以容易出现局部同类产品供应商竞争异常激烈的情况，而在这种优胜劣汰的竞争格局中获胜的关键在于产品所具有的优势，这里有一个博弈的问题，即竞争获胜的同时使得投资和损失降至最低，本文即是在数据挖掘的基础上，用数学建模的办法探讨这个问题，使得某一企业获得它的帕累托最优状态。     

基于数据挖掘的育龄妇女二孩生育意愿预测

探讨数据挖掘模型与传统的Logistic回归模型在育龄妇女二孩生育意愿预测上的准确性。采取五折交叉验证法,基于正确率、查准率、查全率、AUC和Press'Q检验这五个指标对四种分类方法(Logistic回归、支持向量机、决策树和随机森林)进行对比分析。结果表明:Press'Q的值均大于3.84,说明所有分类方法均好于随机分类结果;从各指标均值看,随机森林表现最好,与Logistic回归相比,其正确率高1.7%,查准率高3.2%,查全率高0.2%,ROC曲线下的面积大0.3,Press'Q的值大1.7。本研究探索的数据挖掘新方法和模型,可为今后研究类似二孩生育问题提供新的思路和尝试。     

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.     

基于数据挖掘的新产品竞争预测模型

由需求理论,供应商市场有着很强的聚集效应,所以容易出现局部同类产品供应商竞争异常激烈的情况,而在这种优胜劣汰的竞争格局中获胜的关键在于产品所具有的优势,这里有一个博弈的问题,即竞争获胜的同时使得投资和损失降至最低,本文即是在数据挖掘的基础上,用数学建模的办法探讨这个问题,使得某一企业获得它的帕累托最优状态.     

模糊数据挖掘技术在交通量预测中的应用

城市公路交通量预测不仅对于区域交通规划有重大意义，而且还直接影响到交通控制的效果。在预测前采集的数据比较多时，系统复杂，精确化能力会降低，即模糊性更强，因而仅靠复杂的算法和推理并不能完全发现知识。该文基于数据挖掘技术，提出了一种模糊数据挖掘方法。     

数据挖掘技术在税收预测分析中的应用

本文从数据挖掘预测功能的角度介绍了数据挖掘技术,并阐述了各种方法在税务中的应用。重点介绍了两种常用于税收预测的算法,并结合税务部门的特点,给出了一个对实际工作有指导意义的预测方法。     

基于智能技术的用电预测数据挖掘(DM)模型的建立

在电力营销决策中，运营成本是决策所需考虑的重要方面，同时也是决策管理者最为关心的一个问题，而电力营销活动中，与运营成本相关的最主要因素是电量的销售情况。若能够以前几个月的用电量预测出下一个月的用电量，并以此为依据购电，这样既可以避免购电过多所造成的存储电量损耗；又可以避免由于购电过少而难以达到用户需求的情况。为了完成这个目的，必须对数据仓库中的数据进行分析，从中发现并提取出隐藏在其中的信息或知识。这个过程就是数据挖掘的过程，本文提出了一种基于智能技术的用电预测数据挖掘模型，为电力营销工作提供了更为灵活的手段。     

基于预测的序列异常数据挖掘

本文中,我们分析了给定的股票时间序列。首先,基于稳定化时间序列,我们通过模型识别和估计．给出了一个初始模型,用以预测股票价格。然后,我们可通过股票检测来发现股票时间序列的异常点。最后．通过修正这些异常点,便可完善模型,逐步提高股票的预测精度。     

基于概率统计的数据挖掘预测算法

预测是数据挖掘中的重要功能,讨论基于概率统计的贝叶斯数学模型,利用已知数据的统计特性,通过相关性分析,对数据未知的某些属性进行预测和解释.     

基于数据挖掘技术的交通流预测模型

本文针对交通数据挖掘领域的交通流预测问题进行研究和实现.主要对数据挖掘技术应用于交通流数据的特征选择和交通流预测模型的建立提出算法.在对采样数据进行清洗后,以分类与回归决策树作为基学习器,采用梯度提升决策树进行回归拟合,计算出交通数据的特征重要度.并以此重要度作为自适应特征选择的依据.其次,采用聚类算法对选取后的特征数据进行聚类分析,缩小样本大小的同时,同类数据更加相似.最后,以实时数据匹配相应聚类作为训练数据集,使用经过人工鱼群算法优化参数后的支持向量机进行交通流预测.本文结尾通过实验数据论证本文所提出的算法和模型.     

基于交通数据挖掘的交通流预测模型构建

我国是一个汽车大国,在人均汽车保有量逐年增加的情况下,道路交通拥堵的问题越来越突出.新形势下的交通运输管理工作应当充分发挥数学模型的作用,将数学模型与计算机、互联网等硬件资源有机结合起来,有针对性地制定交通管理方案.因此,本文设计了一套基于交通数据挖掘的交通流预测模型,旨在提升交通流预测的准确性,优化流通管理工作路径.     

基于数据挖掘技术的电信客户流失预测

电信客户流失是我国电信企业发展中所面临的一个严重的问题,为此需要在客户流失之前作出预测,并通过相应营销手段挽留客户,该文主要讨论通过数据挖掘技术建立客户流失预测模型,以此获取即将离网的用户,并通过预测分析过程中的相关数据确定用户类型,作为营销手段选择的主要依据。     

数据挖掘技术在经济预测中的应用

研究区域经济预测准确率问题,区域经济变化具有高度非线性,各影响因子存在信息冗余,系统存在随机性,造成传统预测方法的预测准确率较低。为了提高区域经济预测准确率,利用数据挖掘中主成分分析的BP神经网络优势,组成一种新的区域经济预测模型。首先对区域经济影响因子进行主成份分析,消除各影响因子之间的冗余信息,减少了BP神经网络的输入变量,加快了学习速度,最后通过某地区1985-2005年经济数据对模型性能进行验证性测试,实验结果表明,新模型提高了区域经济预测的准确率,研究成果具有一定的推广和应用价值。     

数据挖掘技术在经济消费预测中的研究

数据挖掘是从大规模的数据中抽取非平凡的、隐含的、未知的、有潜在使用价值的信息的过程。如何有效地分析这些数据,预测未来,成为摆在人们面前的一大课题。针对数据目标预测问题,系统地探讨如何建立挖掘模型和设计挖掘算法等问题．并根据消费理论,使用线性回归分析方法对经济消费进行预测。     

粒子群算法优化神经网络的旅游热门景点预测模型

旅游热门景点预测是当前旅游管理研究领域中的热点,针对传统旅游热门景点预测模型无法准确描述旅游热门景点的变化特点缺陷,为了提高旅游热门景点预测精度,提出基于粒子群算法优化神经网络的旅游热门景点预测模型。首先分析当前国内外对旅游热门景点预测问题研究方法,得到旅游热门景点具有较大非线性变化特点,这也是导致当前旅游热门景点预测错误大原因,然后引入非线性建模能力强的RBF神经网络描述旅游热门景点的非线性变化特点,并对RBF神经网络参数进行优化,建立最优的旅游热门景点预测模型,最后与传统旅游热门景点预测模型进行了对比测试,结果表明,粒子群算法优化神经网络可以更好的跟踪旅游热门景点变化规律,旅游热门景点预测精度要明显优于传统旅游热门景点预测模型,而且旅游热门景点预测效率也更高,能够满足旅游热门景点在线预测要求。     

基于Web的数据挖掘技术

对Web数据挖掘技术的国内外研究成果进行了评价．阐述了Web数据挖掘的流程及其特点，针对Web内容挖掘、Web结构挖掘、Web使用挖掘的方法及实现技术分别进行了讨论分析，介绍了Web数据挖掘的典型应用，并对该领域进一步研究的问题进行了展望。     

事件预测的时间序列数据挖掘方法

研究了应用数据挖掘技术预测时间序列数据中事件的方法。针对时间序列数据提出了显著特征提取算法,给出了特征间的相似度量标准,并应用特征聚类算法,将时间序列数据转换成相应的特征序列表示。应用频繁模式发现算法和预测模式生成算法在预测时段内发现与目标事件相关的时序特征模式,预测事件的发生。实验结果表明,该文所提出的方法能够有效地预测时间序列数据中的事件。     

基于文本情报的数据挖掘

文章介绍了适合于军事领域中进行情报数据的挖掘方法,建立了军事情报中非结构化文本情报数据处理方法,结合军孥睛报的特点,提出了军事情报中数据挖掘的框架模型,探讨了军事情报挖掘中文文本的方法。实现了对情报文本数据的分词、关键字提取、词频分析、关联分析等。