動態(tài)關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域中非常重要的研究方法之一,是一種能描述自身特性隨時間變化的關(guān)聯(lián)規(guī)則。關(guān)于動態(tài)關(guān)聯(lián)規(guī)則挖掘,本文做了以下工作:本文在相關(guān)理論研究的基礎(chǔ)上,首先,結(jié)合時間序列分析中自回歸求和滑動平均模型（Autoregressive Integrated Moving Average Model,ARIMA）,對動態(tài)關(guān)聯(lián)規(guī)則的元規(guī)則支持度計(jì)數(shù)建立模型,實(shí)驗(yàn)結(jié)果顯示,構(gòu)建的ARIMA（2,2,1）模型對支持度計(jì)數(shù)序列擬合效果較為精確,并且能夠?qū)⑿蛄邢鄬φ`差控制在6%以內(nèi)。其次,在此基礎(chǔ)上結(jié)合灰色GM（1,1）模型,提出ARIMA-GM組合模型,并對元規(guī)則支持度計(jì)數(shù)建立ARIMA-GM模型,實(shí)驗(yàn)結(jié)果顯示,該模型的擬合曲線不僅能反映序列的整體趨勢,還能充分考慮序列的細(xì)節(jié)變化,且ARIMA-GM模型因綜合單項(xiàng)模型的優(yōu)點(diǎn)而表現(xiàn)出更高的擬合精度,能將序列的相對誤差控制在4%以內(nèi)。最后,文章針對SQL Server數(shù)據(jù)庫中某大型超市在線銷售數(shù)據(jù),借助動態(tài)關(guān)聯(lián)規(guī)則算法挖掘出數(shù)據(jù)之間隱藏的關(guān)聯(lián)規(guī)則,根據(jù)給定的支持度、置信度的閾值,找出頻繁項(xiàng)集,挖掘出有價值的規(guī)則,并用文章提出的ARIMA-GM對元... 

【文章來源】：華北水利水電大學(xué)河南省

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【部分圖文】：

一階差分序列的相關(guān)圖

支持度序列的單位根是不存在的。故，差分序列平穩(wěn)。圖 3-3 一階差分序列的相關(guān)圖Fig 3-3 The correlation graph of graph of the first difference

圖 3-5 殘差的相關(guān)圖Fig 3-5 The correlation graph of residual表 3-5 2016 年支持度序列擬合值分析表Tab 3-5 The table of fitted value of support sequence in 2016份tf tf 絕對誤差 相對誤差(%1 229 240.4667474 11.4667474 5.00731332 238 235.7502593 -2.2497407 -0.94526923 240 236.8155671 -3.1844329 -1.32684714 236 235.5275213 -0.4724787 -0.20020285 232 237.6790664 5.6790664 2.44787346 231 236.1739228 5.1739228 2.23979347 237 233.5534592 -3.4465408 -1.45423668 243 234.5251360 -8.4748640 -3.48759849 237 237.6144974 0.6144974 0.2592816

【參考文獻(xiàn)】：
期刊論文
[1]時間序列ARIMA與BP神經(jīng)網(wǎng)絡(luò)組合模型在CPI預(yù)測中的應(yīng)用[J]. 孟毅.  山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2018(06)
[2]ARIMA時間序列模型和BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測在鐵路客座率中的應(yīng)用[J]. 張春露,白艷萍.  數(shù)學(xué)的實(shí)踐與認(rèn)識. 2018(21)
[3]基于大數(shù)據(jù)的城市服務(wù)業(yè)空間關(guān)聯(lián)分析[J]. 廖偉華,聶鑫.  地理科學(xué). 2017(09)
[4]基于時間序列模型商品搜索排序[J]. 章振增.  計(jì)算機(jī)應(yīng)用與軟件. 2017(07)
[5]改進(jìn)的PSOGM算法在動態(tài)關(guān)聯(lián)規(guī)則挖掘中的應(yīng)用[J]. 郭世偉,孟昱煜,陳紹立.  計(jì)算機(jī)工程與應(yīng)用. 2018(08)
[6]基于時間序列ARIMA與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型[J]. 翟靜,曹俊.  統(tǒng)計(jì)與決策. 2016(04)
[7]動態(tài)關(guān)聯(lián)規(guī)則的趨勢度挖掘方法[J]. 張忠林,曾慶飛,許凡.  計(jì)算機(jī)應(yīng)用. 2012(01)
[8]時間序列模型在降水量預(yù)測中的應(yīng)用研究[J]. 常青,趙曉莉.  計(jì)算機(jī)仿真. 2011(07)
[9]AR-Markov模型在動態(tài)關(guān)聯(lián)規(guī)則挖掘中的應(yīng)用[J]. 張忠林,劉俊,謝彥峰.  計(jì)算機(jī)工程與應(yīng)用. 2010(14)
[10]數(shù)據(jù)挖掘理論及應(yīng)用研究[J]. 李華,劉帥,李茂,劉雙琪.  斷塊油氣田. 2010(01)

碩士論文
[1]模糊預(yù)測模型在動態(tài)關(guān)聯(lián)規(guī)則挖掘中的應(yīng)用[D]. 魏婷.蘭州交通大學(xué) 2016
[2]數(shù)據(jù)挖掘中決策樹分類算法的研究[D]. 李迎春.湖南師范大學(xué) 2015
[3]基于動態(tài)關(guān)聯(lián)規(guī)則的網(wǎng)絡(luò)用戶行為分析[D]. 劉宗成.蘭州交通大學(xué) 2015
[4]時間序列分析的研究與應(yīng)用[D]. 湯巖.東北農(nóng)業(yè)大學(xué) 2007



本文編號：3041092