本文關(guān)鍵詞：基于關(guān)聯(lián)規(guī)則挖掘的貨物運輸平臺信息推薦功能的研究與實現(xiàn)，，由筆耕文化傳播整理發(fā)布。

【摘要】：近10年來,隨著電子商務(wù)和互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,物流行業(yè)得到了快速發(fā)展,物流行業(yè)的數(shù)量大大增長,業(yè)務(wù)種類不斷豐富,業(yè)務(wù)能力不斷提高。這些變化對物流業(yè)務(wù)的管理水平和管理方法提出了新的要求。僅由于電子商務(wù)的快速發(fā)展,物流行業(yè)中每天就會產(chǎn)生大量的貨物運輸需求,因此在社會信息化和信息技術(shù)快速普及的現(xiàn)在,如何在現(xiàn)代物流行業(yè)中充分的利用信息、技術(shù),從海量的貨物運輸信息中尋找具有決策支持作用的數(shù)據(jù)、為企業(yè)贏得更多利潤,打造智能化的現(xiàn)代物流行業(yè),成為了數(shù)據(jù)挖掘技術(shù)在物流行業(yè)中應(yīng)用的重要基礎(chǔ)。現(xiàn)代物流系統(tǒng)中每天都會產(chǎn)生大量的貨物運輸需求,面對現(xiàn)代物流數(shù)據(jù)庫系統(tǒng)中保存的海量信息,物流行業(yè)無法準確、高效的進行數(shù)據(jù)統(tǒng)計和行業(yè)決策工作物流系統(tǒng)運輸平臺無法根據(jù)貨物運輸相關(guān)信息精確的為平臺用戶提供相關(guān)決策服務(wù)工作,且傳統(tǒng)的決策工作都是通過人為直覺確定的,在有著海量、復雜數(shù)據(jù)的現(xiàn)在,人為決策缺乏有效性,且其正確性難以驗證,近年來產(chǎn)生的數(shù)據(jù)挖掘,是一種對海量且復雜的數(shù)據(jù)進行組織、分析的方法。數(shù)據(jù)挖掘方法的產(chǎn)生,用來對海量、復雜信息進行處理和分析,具有為企業(yè)提供輔助決策的功能,數(shù)據(jù)挖掘方法被廣泛應(yīng)用于零售業(yè)、工業(yè)、金融業(yè)、政府部門等領(lǐng)域中。本文中數(shù)據(jù)挖掘的目的是要發(fā)現(xiàn)貨物運輸平臺中貨物信息、車輛信息各屬性之間的相關(guān)性,即關(guān)聯(lián)強度,該關(guān)聯(lián)強度體現(xiàn)在數(shù)據(jù)挖掘中對應(yīng)的概念為關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘中應(yīng)用最為廣泛的算法,在貨物運輸系統(tǒng)中,通過挖掘貨物信息中字段屬性之間的關(guān)聯(lián)規(guī)則,發(fā)現(xiàn)貨物屬性、車輛屬性之間潛在的關(guān)聯(lián)關(guān)系、關(guān)聯(lián)強度,得出貨物特征信息、車輛特征信息。Apriori算法、基于劃分的算法、FP-樹頻集算法是最經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法,與基于劃分的算法和FP-樹頻集算法相比,Apriori算法簡單明了,不用復雜的推導、理論,易于對數(shù)據(jù)實施挖掘,而其他兩個算法由于分支,忽略了信息屬性之間的相關(guān)性。本文采用了經(jīng)典的Apriori關(guān)聯(lián)規(guī)則挖掘算法,經(jīng)典的Apriori挖掘算法的實施原來是頻繁的掃描數(shù)據(jù)庫統(tǒng)計、計數(shù),每一次由候選項集形成頻繁項集時都要掃描數(shù)據(jù)庫統(tǒng)計各項集出現(xiàn)次數(shù),而在本文中某公司貨物運輸平臺中,隨著用戶的增加,以及發(fā)布的貨物運輸信息、車輛配送信息的增加,使得海量的信息數(shù)據(jù)被保存在數(shù)據(jù)庫中,頻繁掃描數(shù)據(jù)庫將會使得挖掘速度、效率很低,針對該缺陷,以及貨物運輸平臺中貨物信息、車輛信息的保存特征,對Apriori挖掘算法做了改進。本文在某公司貨物運輸平臺中,實現(xiàn)了關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘算法在該貨物運輸平臺中的應(yīng)用,實現(xiàn)了該平臺根據(jù)貨物、車輛信息而提供的推薦功能。本論文做的主要研究內(nèi)容如下：(1)介紹數(shù)據(jù)挖掘在物流運輸行業(yè)的應(yīng)用背景,以及數(shù)據(jù)挖掘方法在不同行業(yè)、領(lǐng)域中的應(yīng)用。(2)詳細介紹本文使用的Apriori關(guān)聯(lián)規(guī)則挖掘算法,舉例說明算法中的概念和流程,并根據(jù)該算法實現(xiàn)的貨物信息推薦功能的特點及Apriori算法本身頻繁掃描數(shù)據(jù)庫等的缺陷,對該算法做了部分改進工作(3)本文實現(xiàn)了改進后的關(guān)聯(lián)規(guī)則挖掘算法在本文中某公司貨物運輸平臺中的應(yīng)用,實現(xiàn)了該公司既定的推薦功能。本文中某公司貨物運輸平臺中運用Apriori關(guān)聯(lián)規(guī)則挖掘算法的目的,是對該平臺中存儲的貨物信息、車輛信息,挖掘?qū)?yīng)貨物、車輛具有的特征信息,該平臺中保存的數(shù)據(jù)特征為,貨物信息對應(yīng)某車主接單信息,根據(jù)該對應(yīng)車主信息與挖掘結(jié)果貨物特征信息,實現(xiàn)貨主車輛信息推薦、車主貨物信息推薦功能。
【關(guān)鍵詞】：物流運輸 數(shù)據(jù)挖掘 現(xiàn)代物流行業(yè) 關(guān)聯(lián)規(guī)則 貨物運輸平臺
【學位授予單位】：中國海洋大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F259.2;TP311.13
【目錄】：

• 摘要5-7
• Abstract7-13
• 1 引言13-23
• 1.1 研究背景及意義13-15
• 1.1.1 研究背景13-15
• 1.2 研究目的和意義15-17
• 1.3 國內(nèi)外研究現(xiàn)狀17-20
• 1.3.1 數(shù)據(jù)挖掘技術(shù)的研究現(xiàn)狀17-18
• 1.3.2 物流運輸平臺的國內(nèi)外應(yīng)用18-19
• 1.3.3 物流業(yè)中數(shù)據(jù)挖掘應(yīng)用的國內(nèi)外現(xiàn)狀19-20
• 1.4 論文組織結(jié)構(gòu)20-21
• 1.5 本章小結(jié)21-23
• 2 數(shù)據(jù)挖掘技術(shù)相關(guān)介紹23-29
• 2.1 數(shù)據(jù)挖掘相關(guān)理論23-24
• 2.1.1 數(shù)據(jù)挖掘概述23
• 2.1.2 數(shù)據(jù)挖掘功能23-24
• 2.2 數(shù)據(jù)挖掘流程24-25
• 2.3 數(shù)據(jù)挖掘相關(guān)25-27
• 2.3.1 關(guān)聯(lián)規(guī)則26
• 2.3.2 聚類分析26
• 2.3.3 決策樹26-27
• 2.3.4 神經(jīng)網(wǎng)絡(luò)27
• 2.4 關(guān)聯(lián)規(guī)則挖掘算法—Apriori算法27-28
• 2.5 本章小結(jié)28-29
• 3 Apriori算法基本理論及其改進29-41
• 3.1 Apriori算法29-31
• 3.2 Apriori算法實現(xiàn)31-37
• 3.2.1 Apriori算法實現(xiàn)概述31-32
• 3.2.2 Apriori算法實現(xiàn)32-37
• 3.3 Apriori算法改進37-40
• 3.3.1 Apriori算法缺陷分析37-38
• 3.3.2 Apriori算法改進38-40
• 3.4 本章小結(jié)40-41
• 4 面向貨物運輸平臺關(guān)聯(lián)規(guī)則挖掘技術(shù)實例分析41-57
• 4.1 運輸數(shù)據(jù)挖掘功能實例分析41-43
• 4.1.1 車找貨運輸數(shù)據(jù)挖掘功能實例分析41-42
• 4.1.2 貨找車運輸數(shù)據(jù)挖掘功能實例分析42-43
• 4.2 貨物運輸平臺數(shù)據(jù)集的設(shè)計43-46
• 4.2.1 貨物運輸平臺數(shù)據(jù)庫設(shè)計43-45
• 4.2.2 貨物運輸功能數(shù)據(jù)集規(guī)范45-46
• 4.3 貨物運輸系統(tǒng)Apriori算法實現(xiàn)46-55
• 4.3.1 貨物信息挖掘—Apriori算法實現(xiàn)46-52
• 4.3.2 車輛信息挖掘—Apriori算法實現(xiàn)52-55
• 4.4 本章小結(jié)55-57
• 5 貨物運輸平臺系統(tǒng)設(shè)計與實現(xiàn)57-69
• 5.1 貨物運輸平臺概述57
• 5.2 系統(tǒng)關(guān)鍵技術(shù)分析57-59
• 5.3 貨物運輸平臺功能模塊設(shè)計與實現(xiàn)59-64
• 5.3.1 路況導航60-61
• 5.3.2 實時路況61-63
• 5.3.3 特價商城63-64
• 5.4 數(shù)據(jù)挖掘及推薦系統(tǒng)功能模塊64-68
• 5.4.1 貨找車數(shù)據(jù)挖掘及推薦模塊64-66
• 5.4.2 車找貨數(shù)據(jù)挖掘及推薦模塊66-68
• 5.5 本章小結(jié)68-69
• 6 總結(jié)與展望69-71
• 6.1 本文總結(jié)69
• 6.2 展望69-71
• 參考文獻71-75
• 致謝75-77
• 個人簡歷77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉勇;;數(shù)據(jù)挖掘中Apriori算法在零售業(yè)中的應(yīng)用[J];數(shù)字技術(shù)與應(yīng)用;2014年04期

2 陶新民;郝思媛;張冬雪;李震;;基于樣本特性欠取樣的不均衡支持向量機[J];控制與決策;2013年07期

3 段明秀;唐超琳;;一種基于密度的聚類算法實現(xiàn)[J];吉首大學學報(自然科學版);2013年01期

4 丁靜;楊善林;羅賀;丁帥;;云計算環(huán)境下的數(shù)據(jù)挖掘服務(wù)模式[J];計算機科學;2012年S1期

5 趙祖應(yīng);丁勇;鄧平;;基于Apriori算法的購物籃關(guān)聯(lián)規(guī)則分析[J];江西科學;2012年01期

6 郭亞楓;;我國物流業(yè)的發(fā)展及存在問題分析[J];物流工程與管理;2012年01期

7 張增敏;謝嘉;;基于數(shù)據(jù)挖掘技術(shù)的B2C電子商務(wù)系統(tǒng)研究與實現(xiàn)[J];山東農(nóng)業(yè)大學學報(自然科學版);2011年03期

8 王鐵君;鄔月春;;基于混沌粒子群算法的物流配送路徑優(yōu)化[J];計算機工程與應(yīng)用;2011年29期

9 王飛;;數(shù)據(jù)挖掘在零售業(yè)中的應(yīng)用[J];科技信息;2011年06期

10 胡文瑜;孫志揮;吳英杰;;數(shù)據(jù)挖掘取樣方法研究[J];計算機研究與發(fā)展;2011年01期

  本文關(guān)鍵詞：基于關(guān)聯(lián)規(guī)則挖掘的貨物運輸平臺信息推薦功能的研究與實現(xiàn)，由筆耕文化傳播整理發(fā)布。

本文編號：443567