数据挖掘在学生专业成绩预测上的应用

学生特征的提取以及学习效果预测一直是教育数据挖掘领域的热门课题。本文将结合国内高校教育现状和现有的教育数据挖掘成果,以weka作为实验平台,应用C4.5算法对本科生的专业培养数据做建模分析以及成绩预测,通过采集到的实际数据做实验验证,找到潜在于成绩信息之中的学生行为规律,为提前干预学生学习行为,优化教育决策做出有意义的指引。     

一种结合评分时间特性的协同过滤推荐算法

用户评分是协同推荐算法实现未知评分预测的主要依据,传统协同推荐算法一般只利用评分的数值,而忽视评分产生时间对推荐的作用,但是评分时间特性对推荐系统准确性的影响不容小觑。本文针对这个问题,以传统协同过滤推荐算法为基础,从评分时间角度对推荐算法的相似度计算和评分预测过程进行改进,提出了一种结合评分时间特性的协同过滤推荐算法。算法依据用户对项目的评分及时间计算出一个时间因子,并将时间因子融入到相似度的计算中,使推荐给目标用户的项目更加合理。通过实验进行该算法与现有协同推荐算法的对比,验证了该算法在提高推荐准确性方面的有效性。     

基于直觉模糊集的灰色模型故障预测

复杂设备的故障特征具有不确定性,非线性等特点. 针对故障预测具有不确定性,将模糊数学中的直觉模糊集和灰色模型相结合设计故障预测的方法. 新方法利用隶属度函数设计了描述系统运行正常的正常直觉模糊子集和运行异常的异常直觉模糊子集,利用灰色模型计算系统运行的预测值,并计算预测值的正常隶属度;再分别计算预测值的正常隶属度与正常直觉模糊子集和异常直觉模糊子集的贴近程度来实现故障预报. 该方法通过三容水箱系统T2水箱水位变化预测三容水箱系统是否出现故障和通过UH-60行星齿轮盘裂纹何时开始增大的故障进行实验. 实验验证了该方法的可行性,可及时准确地预测出系统故障.     

基于GM(1,1)预测算法的民航飞机实时轨迹可视算法

针对民航飞机动态飞行可视化中滞后和跳跃问题,研究并提出了一种基于预测的民航飞机实时轨迹可视化算法.算法包括轨迹点预测,目标点行进和误差修正三部分.轨迹点预测基于GM （1,1）算法进行改进,在每次迭代时依据所有先验点和搜索方向动态调整发展系数.目标点行进基于预测坐标点提出TSUS （Time Slice Uniform Speed）算法,TSUS算法保证了在既定时间内目标确实移动到目的地,且能够根据初始速度方向调整轨迹弧度.误差修正采用分段式误差修正策略,以平衡不同情况下精确性和实用性.实验表明,提出的算法模型可用于民航飞机可视轨迹渲染中,且能获得良好的效果,提高系统的可用性和用户体验.     

基于迭代回归树模型的跨平台长尾商品购买行为预测

长尾商品是指单种商品销量较低,但是由于种类繁多,形成的累计销售总量较大,能够增加企业盈利空间的商品。在电子商务网站中,用户信息量较少且购买长尾商品数量较少、数据稀疏,因此对用户购买长尾商品的行为预测具有一定的挑战性。该文提出预测用户购买长尾商品的比例,研究单一用户购买长尾商品的整体偏好程度。利用社交媒体网站上海量的文本信息和丰富的用户个人信息,提取用户的个人属性、文本语义、关注关系、活跃时间等多个种类的特征;采用改进的迭代回归树模型MART(Multiple Additive Regression Tree),对用户购买长尾商品的行为进行预测分析;分别选取京东商城和新浪微博作为电子商务网站和社交媒体网站,使用真实数据构建回归预测实验,得到了一些有意义的发现。该文从社交媒体网站抽取用户特征,对于预测用户购买长尾商品的行为给出一个新颖的思路,可以更好地理解用户个性化需求,挖掘长尾市场潜在的经济价值,改进电子商务网站的服务。     

社交网络用户在在线媒体中点播行为预测

在线媒体快速发展,为用户带来丰富多彩信息的同时,用户的参与也给在线媒体本身带来巨大的经济利益。因此,如何通过精确预测用户的偏好以增加在线媒体点击,成为一个学术界和工业界均关注的问题。现有的预测方法主要是借助用户个人信息和历史行为来预测用户行为,然而此类方法没有考虑媒体本身缺乏用户信息造成无法预测的问题。随着社交网络的发展,在线媒体与服务运营商间的兼并或合作的增多,支持用户通过单一账户使用多个媒体网络服务的情况越来越常见,这就为基于用户在社交网络中的资料预测用户在其他媒体中的喜好提供海量可信的基础数据。该文基于社交网络Google+和视频媒体YouTube的数据,首先证明用户在YouTube偏好具有高度的集聚性,并提出用户在社交网络中偏好与其在线媒体点击行为具有关联性,基于这种关联性,该文使用社交网络用户信息预测用户在在线媒体中的点播行为。实验结果显示,使用社交网络用户信息可以有效预测用户偏好,预测准确率比仅使用媒体本身信息提高了17%,而且能满足用户个性化需求。     

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.     

基于大数据背景下的多层神经网络股票预测模型

随着互联网以及股票市场的不断发展,产生了蕴含丰富信息的海量股票数据。由于大数据技术不断普及,处理海量股票数据逐渐变得可能。本文通过对海量的历史数据进行研究,利用智能算法建立多层神经网络对数据进行处理。首先运用小波分析技术将股票价格波动曲线分解为低频部分和高频部分,其次分别利用Elman和BP神经网络进行训练,最后进行小波重构得出股票价格预测值。研究结果表明:通过改进,将预测结果与实际值进行对比,均方误差MSE=6.4495′10~(-6),模型预测精度较好。     

煤与瓦斯突出危险性预测的SaS-PNN模型及应用

煤与瓦斯突出是一种复杂的非线性动力学过程,其机理复杂、影响因素众多。单一的评价指标无法准确描述煤与瓦斯突出危险性。为了探讨煤矿开采过程中煤与瓦斯突出危险性具体等级情况,综合考虑煤与瓦斯突出发生的地应力、瓦斯和煤的物理力学性质等条件。选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度作为煤与瓦斯突出危险性预测的评价指标。但煤与瓦斯突出评价指标之间或多或少存在一定的相关性,其评价指标中存在一些服从非高斯分布的指标。很难满足概率神经网络（PNN）样本层中采用高斯分布作径向基函数的要求。鉴于此,提出一种对称Alpha稳定分布（SaS）。SaS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布。在SaS的基础上,建立煤与瓦斯突出危险性预测的SaS-PNN模型。将SaS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测,预测结果表明：SaS-PNN模型具有良好的预测效果,其误判率为7.69%。为煤矿开采中煤与瓦斯突出危险性预测提供了一种新思路。     

基于MATLAB模式识别实现环境污染等级预测的研究

文章基于MATLAB神经网络的背景,采用模式识别预测方法进行环境空气质量等级预测.以某区域空气污染源的排放数据为样本,建立环境污染事件基于神经网络模式识别预测模型来预测该区域环境空气等级,并与实际监控数据对比研究,验证此方法的有效性.