發(fā)布時(shí)間：2018-11-11 08:34

【摘要】：全國各地各個(gè)年份的農(nóng)產(chǎn)品市場(chǎng)價(jià)格數(shù)據(jù)量龐大,而海量的農(nóng)產(chǎn)品的市場(chǎng)價(jià)格數(shù)據(jù)中無可避免存在超出市場(chǎng)正常價(jià)格范圍的異常價(jià)格元素,這對(duì)搜索引擎農(nóng)產(chǎn)品市場(chǎng)價(jià)格的統(tǒng)計(jì)分析與預(yù)測(cè)造成了影響.從市場(chǎng)價(jià)格大數(shù)據(jù)中發(fā)現(xiàn)離群點(diǎn)并計(jì)算出價(jià)格邊界成為有待解決的問題,為此,本研究在數(shù)據(jù)挖掘聚類技術(shù)K-means算法的基礎(chǔ)上,提出了基于K-means聚類的農(nóng)產(chǎn)品市場(chǎng)價(jià)格異常數(shù)據(jù)檢測(cè)并計(jì)算出農(nóng)產(chǎn)品市場(chǎng)價(jià)格邊界,測(cè)試及實(shí)踐結(jié)果表明該方法提高了聚類的精確率和穩(wěn)定性,實(shí)現(xiàn)了價(jià)格異常點(diǎn)檢測(cè)與價(jià)格邊界的計(jì)算.
[Abstract]:There is a huge amount of data on the market prices of agricultural products in various years throughout the country. However, in the massive market price data of agricultural products, there are inevitably abnormal price elements beyond the normal price range of the market. This to search engine agricultural product market price statistics analysis and forecast has caused the influence. Finding outliers from the market price big data and calculating the price boundary have become a problem to be solved. Therefore, this study is based on the data mining clustering technique K-means algorithm. In this paper, the abnormal data detection of agricultural products market price based on K-means clustering is proposed and the price boundary of agricultural products market is calculated. The test results and practical results show that this method improves the accuracy and stability of the clustering. The detection of price anomaly and the calculation of price boundary are realized.
【作者單位】： 北京農(nóng)業(yè)信息技術(shù)研究中心;國家農(nóng)業(yè)信息化工程技術(shù)研究中心;農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室;北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心;
【基金】：國家科技支撐計(jì)劃(2013BAJ10B15)
【分類號(hào)】：F323.7;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周世兵;徐振源;唐旭清;;新的K-均值算法最佳聚類數(shù)確定方法[J];計(jì)算機(jī)工程與應(yīng)用;2010年16期

2 周世兵;徐振源;唐旭清;;基于近鄰傳播算法的最佳聚類數(shù)確定方法比較研究[J];計(jì)算機(jī)科學(xué);2011年02期

3 周世兵;徐振源;唐旭清;;一種基于近鄰傳播算法的最佳聚類數(shù)確定方法[J];控制與決策;2011年08期

4 李旭;林偉;溫金環(huán);史彩云;;基于圖譜理論的圖像聚類數(shù)的確定及應(yīng)用[J];工程數(shù)學(xué)學(xué)報(bào);2012年05期

5 秦振濤;楊武年;;一種新的最佳聚類數(shù)確定方法[J];電子技術(shù)應(yīng)用;2013年01期

6 宋銘利;高新科;;基于距離的最大聚類數(shù)探索算法的探討[J];礦山機(jī)械;2006年09期

7 普運(yùn)偉;朱明;金煒東;胡來招;;核聚類算法最佳聚類數(shù)的自適應(yīng)確定方法[J];計(jì)算機(jī)工程;2007年04期

8 楊欣斌,孫京誥,黃道;一種進(jìn)化聚類學(xué)習(xí)新方法[J];計(jì)算機(jī)工程與應(yīng)用;2003年15期

9 田彥山;;基于山峰聚類的聚類上限確定方法[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

10 褚娜;馬利莊;王彥;;聚類趨勢(shì)問題的研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2009年03期

相關(guān)會(huì)議論文 前9條

1 高翠芳;吳小俊;;基于二階差分的聚類數(shù)自動(dòng)確定方法[A];江蘇省系統(tǒng)工程學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

2 劉洋;江志綱;丁增喜;王大玲;鮑玉斌;于戈;;一種基于圖的聚類算法GB-Cluster[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2002年

3 李浪波;傅彥;劉紅;;基于范例推理的網(wǎng)格和密度聚類算法[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

4 婁冬梅;陳明;朱有娜;;一種基于密度的無參數(shù)聚類算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

5 魏昕路;洪志令;姜青山;;一種基于樣本縮減策略的新窗口式聚類算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

6 程尊平;周鼎;王晨;周皓峰;汪衛(wèi);施伯樂;;SDPHC——基于密度的分割和分層的自校聚類算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

7 張曉峰;王麗珍;陸葉;;一種基于屬性加權(quán)的不確定K-means聚類算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

8 蔡軍;袁華鵬;陳金海;施伯樂;;一種基于相似性分析的聚類新算法:PDS算法[A];第十八屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2001年

9 胡仲義;郭超;王永炎;劉勝航;王宏安;;基于時(shí)間衰減和特征變量的數(shù)據(jù)流聚類算法[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

相關(guān)博士學(xué)位論文 前10條

1 王振佳;基于基因表達(dá)數(shù)據(jù)的雙聚類算法研究[D];山東大學(xué);2016年

2 胡雅婷;可能性聚類方法研究及應(yīng)用[D];吉林大學(xué);2012年

3 王縱虎;聚類分析優(yōu)化關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2012年

4 周世兵;聚類分析中的最佳聚類數(shù)確定方法研究及應(yīng)用[D];江南大學(xué);2011年

5 楊燕;基于計(jì)算智能的聚類組合算法研究[D];西南交通大學(xué);2006年

6 馮永;基于計(jì)算智能的聚類技術(shù)及其應(yīng)用研究[D];重慶大學(xué);2006年

7 劉晨;高伸縮性聚類分析方法研究[D];哈爾濱工程大學(xué);2013年

8 王強(qiáng);局部疊加基因表達(dá)模式聚類分析方法研究[D];哈爾濱工業(yè)大學(xué);2012年

9 姜磊;混合演化聚類算法研究及其應(yīng)用[D];武漢大學(xué);2012年

10 尹學(xué)松;半監(jiān)督聚類分析策略設(shè)計(jì)及其拓展性研究[D];南京航空航天大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 魏建東;K-means初始化算法研究[D];南京理工大學(xué);2015年

2 張依;基于MapReduce的k-means聚類算法并行化研究[D];中央民族大學(xué);2015年

3 劉嬋;蟻群與K均值聚類算法融合研究及其在用戶分群中的應(yīng)用[D];西南科技大學(xué);2015年

4 朱琪;基于減法聚類的混合算法研究[D];湖南科技大學(xué);2015年

5 韓偉森;聚類集成研究與應(yīng)用[D];貴州大學(xué);2015年

6 譚浩;K-Means算法改進(jìn)及其在森林健康評(píng)價(jià)中的應(yīng)用[D];中南林業(yè)科技大學(xué);2015年

7 嚴(yán)巍;以KPCA為核心的FCM算法改進(jìn)[D];成都理工大學(xué);2015年

8 汪娟;基于權(quán)重設(shè)計(jì)的聚類集成算法研究[D];重慶大學(xué);2015年

9 牛品菽;基于圖模型的高效聚類算法研究[D];北京交通大學(xué);2016年

10 蔡洪山;大數(shù)據(jù)分析中的聚類算法研究[D];安徽理工大學(xué);2016年

，

本文編號(hào)：2324327