本文關鍵詞：基于關聯(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,隨著電子商務和互聯(lián)網技術的不斷發(fā)展,物流行業(yè)得到了快速發(fā)展,物流行業(yè)的數量大大增長,業(yè)務種類不斷豐富,業(yè)務能力不斷提高。這些變化對物流業(yè)務的管理水平和管理方法提出了新的要求。僅由于電子商務的快速發(fā)展,物流行業(yè)中每天就會產生大量的貨物運輸需求,因此在社會信息化和信息技術快速普及的現(xiàn)在,如何在現(xiàn)代物流行業(yè)中充分的利用信息、技術,從海量的貨物運輸信息中尋找具有決策支持作用的數據、為企業(yè)贏得更多利潤,打造智能化的現(xiàn)代物流行業(yè),成為了數據挖掘技術在物流行業(yè)中應用的重要基礎�，F(xiàn)代物流系統(tǒng)中每天都會產生大量的貨物運輸需求,面對現(xiàn)代物流數據庫系統(tǒng)中保存的海量信息,物流行業(yè)無法準確、高效的進行數據統(tǒng)計和行業(yè)決策工作物流系統(tǒng)運輸平臺無法根據貨物運輸相關信息精確的為平臺用戶提供相關決策服務工作,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、復雜數據的現(xiàn)在,人為決策缺乏有效性,且其正確性難以驗證,近年來產生的數據挖掘,是一種對海量且復雜的數據進行組織、分析的方法。數據挖掘方法的產生,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,數據挖掘方法被廣泛應用于零售業(yè)、工業(yè)、金融業(yè)、政府部門等領域中。本文中數據挖掘的目的是要發(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性,即關聯(lián)強度,該關聯(lián)強度體現(xiàn)在數據挖掘中對應的概念為關聯(lián)規(guī)則。關聯(lián)規(guī)則是數據挖掘中應用最為廣泛的算法,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聯(lián)規(guī)則,發(fā)現(xiàn)貨物屬性、車輛屬性之間潛在的關聯(lián)關系、關聯(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-樹頻集算法是最經典的關聯(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,易于對數據實施挖掘,而其他兩個算法由于分支,忽略了信息屬性之間的相關性。本文采用了經典的Apriori關聯(lián)規(guī)則挖掘算法,經典的Apriori挖掘算法的實施原來是頻繁的掃描數據庫統(tǒng)計、計數,每一次由候選項集形成頻繁項集時都要掃描數據庫統(tǒng)計各項集出現(xiàn)次數,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,使得海量的信息數據被保存在數據庫中,頻繁掃描數據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)了關聯(lián)規(guī)則數據挖掘算法在該貨物運輸平臺中的應用,實現(xiàn)了該平臺根據貨物、車輛信息而提供的推薦功能。本論文做的主要研究內容如下：(1)介紹數據挖掘在物流運輸行業(yè)的應用背景,以及數據挖掘方法在不同行業(yè)、領域中的應用。(2)詳細介紹本文使用的Apriori關聯(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據庫等的缺陷,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,挖掘對應貨物、車輛具有的特征信息,該平臺中保存的數據特征為,貨物信息對應某車主接單信息,根據該對應車主信息與挖掘結果貨物特征信息,實現(xiàn)貨主車輛信息推薦、車主貨物信息推薦功能。
【關鍵詞】：物流運輸 數據挖掘 現(xiàn)代物流行業(yè) 關聯(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 國內外研究現(xiàn)狀17-20
• 1.3.1 數據挖掘技術的研究現(xiàn)狀17-18
• 1.3.2 物流運輸平臺的國內外應用18-19
• 1.3.3 物流業(yè)中數據挖掘應用的國內外現(xiàn)狀19-20
• 1.4 論文組織結構20-21
• 1.5 本章小結21-23
• 2 數據挖掘技術相關介紹23-29
• 2.1 數據挖掘相關理論23-24
• 2.1.1 數據挖掘概述23
• 2.1.2 數據挖掘功能23-24
• 2.2 數據挖掘流程24-25
• 2.3 數據挖掘相關25-27
• 2.3.1 關聯(lián)規(guī)則26
• 2.3.2 聚類分析26
• 2.3.3 決策樹26-27
• 2.3.4 神經網絡27
• 2.4 關聯(lián)規(guī)則挖掘算法—Apriori算法27-28
• 2.5 本章小結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40-41
• 4 面向貨物運輸平臺關聯(lián)規(guī)則挖掘技術實例分析41-57
• 4.1 運輸數據挖掘功能實例分析41-43
• 4.1.1 車找貨運輸數據挖掘功能實例分析41-42
• 4.1.2 貨找車運輸數據挖掘功能實例分析42-43
• 4.2 貨物運輸平臺數據集的設計43-46
• 4.2.1 貨物運輸平臺數據庫設計43-45
• 4.2.2 貨物運輸功能數據集規(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55-57
• 5 貨物運輸平臺系統(tǒng)設計與實現(xiàn)57-69
• 5.1 貨物運輸平臺概述57
• 5.2 系統(tǒng)關鍵技術分析57-59
• 5.3 貨物運輸平臺功能模塊設計與實現(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 數據挖掘及推薦系統(tǒng)功能模塊64-68
• 5.4.1 貨找車數據挖掘及推薦模塊64-66
• 5.4.2 車找貨數據挖掘及推薦模塊66-68
• 5.5 本章小結68-69
• 6 總結與展望69-71
• 6.1 本文總結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】

中國期刊全文數據庫 前10條

1 劉勇;;數據挖掘中Apriori算法在零售業(yè)中的應用[J];數字技術與應用;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)境下的數據挖掘服務模式[J];計算機科學;2012年S1期

5 趙祖應;丁勇;鄧平;;基于Apriori算法的購物籃關聯(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;;基于數據挖掘技術的B2C電子商務系統(tǒng)研究與實現(xiàn)[J];山東農業(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];計算機工程與應用;2011年29期

9 王飛;;數據挖掘在零售業(yè)中的應用[J];科技信息;2011年06期

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

  本文關鍵詞：基于關聯(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