模糊预测模型在动态关联规则挖掘中的应用

摘要

随着计算机、通信和Internet技术的迅猛发展，以及日常生活自动化技术的广泛使用，多类型的数据正在以空前的速度产生和被收集着。数据挖掘正是通过分析存储在数据库中的数据，来揭示其中暗含的未知信息和验证已知规律，进而辅助决策的制定。在数据挖掘领域中，关联规则作为最早最活跃的研究方向，已成为当前的热门研究点。　　早期的关联规则挖掘忽略了时间因素，是一种建立在事务数据库之上的静态挖掘方法，它认为挖掘所得的规则将永久有效。但在不断地应用、研究及总结后得出，现实生活中基于数据库挖掘出的规则都跟时间有着密切的相关性。因此，为进一步掌握规则随时间变化的特点，研究者提出了动态关联规则的概念。动态关联规则挖掘依据年、月、日等时间粒度划分事务数据集，并加入了支持度向量以及置信度向量，将其作为新的规则的评价指标。然而，尽管考虑到了时间因素，但这种传统的建立在已有数据上的挖掘并不能确保规则在将来的时效性。另外，不少研究者将动态关联规则的研究重点主要放在了挖掘算法的改进上，目前很少考虑到所得规则的可靠性。故而，为提高挖掘质量，对动态关联规则挖掘展开更全面的探索是非常有意义的。　　本文在对模糊集等相关理论的研究基础上，将模糊预测精度高及小样本建模的优势融合到动态关联规则挖掘中。首先针对模糊时间序列方法存在的问题，提出了基于聚类划分思想的模糊时间序列预测模型，并通过不同方法的实验对比证明了算法的有效性；然后在此基础上结合马尔可夫链理论建立了模糊-Markov和模糊-灰色两种组合预测模型，经过不同类型数据集的建模分析和实验对比后，发现在样本规模较小的支持度计数预测中，模糊-灰色组合模型因综合各单项预测模型的知识而表现出更强的实用性及更高的预测精度；最后针对网购客户行为分析的实际案例，结合模糊-灰色预测模型建立基于交易繁忙时段数据集的动态关联规则挖掘模型，最终挖掘出具有指导意义的规则。　　通过对挖掘所得规则含义的分析及其支持度变化趋势的预测，发现本文建立的模型对于动态关联规则的支持度序列有着良好的预测效果，相对于传统挖掘方法能够更多的挖掘出一些潜在的有效规则。这说明将模糊预测模型应用在动态关联规则的挖掘中可以更深入地分析规则的变化情况，掌握规则随时间的具体变化趋势，从而达到进一步提高动态关联规则挖掘质量的目的。