基于改进SLIQ算法的用户侧短期负荷时间序列预测模型

配电网净负荷需求较大,环境敏感度高,短期负荷预测可靠性较差,由此,研究基于改进SLIQ算法的用户侧短期负荷时间序列预测模型。采用SLIQ算法,分类处理包含气候变化的海量负荷数据,分析用户侧需求响应的不确定性,将分类后的数据和用户需求响应率输入基于时间序列的组合预测模型,初步预测用户侧短期负荷结果;利用S型函数的神经网络模型,改进SLIQ算法求解过程,采用梯度搜索学习的方式,修正S型激发函数计算误差,调整用户侧需求响应的不确定性,输出用户侧短期负荷预测结果。测试结果显示,该模型结合气象条件因素后,完成历史负荷数据分类的可行性较高,日负荷预测准确率和拟合系数结果分别在0.95和0.94以上,能够可靠完成用户侧负荷预测。

基于改进SLIQ算法及多粒度气象信息匹配的短期负荷预测

短期负荷预测容易受到气象等多种因素共同作用的影响,找到关键影响因素是提高短期负荷预测精度的必要手段。电力系统海量数据包含了巨量的运行信息,为挖掘有用信息,提高数据利用效率,提出了一种基于改进SLIQ算法及多粒度气象信息匹配的短期负荷预测方法。采用改进的SLIQ决策树算法对气象负荷信息进行聚类,提取同等气象条件下决定负荷波动的关键因素。由动态灵敏度方法建立短期负荷拐点预测模型,再由熵权法选择最佳预测参考日并预测曲线拐点,并在此基础上提出多粒度气象信息匹配算法进行负荷曲线预测。通过对我国南方某地区的多季节负荷进行仿真预测,计算结果表明在任意气象条件下曲线预测精度均能满足电网要求,证明了所提方法的正确性及普适性。

数据挖掘中判定树算法SLIQ的设计与应用

分析了一种用Gini指标进行属性选择的SLIQ算法,讨论了提高效率的可行方法。把算法用到电力市场发电竞价决策系统中,通过对发电商的竞标能力进行挖掘,获取的知识对发电商的决策有重要现实意义。

一个基于SLIQ的分类算法的实现

在介绍数据挖掘、分类算法的有关概念的基础上，描述了一个基于SLIQ(Supervised Learning in Quest)的分类算法的实现。算法控制结构采用队列来控制广度优先搜索，对属性表进行内部排序生成有序的属性表序列，再对所有属性表进行遍历，找出所有叶子节点的最佳分裂方案，对应该分裂的类表进行更改，最后生成的决策树通过前序遍历的方式存入输出表。

基于云计算的SLIQ并行算法研究

云计算为存储和分析海量数据提供了高效的解决方案,对数据挖掘算法的研究具有重要的理论意义和应用价值。SLIQ算法采用逐一遍历并计算伸缩性指标的方法来寻找最佳分裂点,这种方法过于消耗时间,当数据量增大时,算法的执行效率很低。本文针对云计算环境下的决策规则挖掘算法展开研究,介绍了Map Reduce编程模型,在此基础上,以实现云计算环境下SLIQ并行化挖掘为目的,给出了改进后的SLIQ算法在Map Reduce编程模型上的应用过程。

基于SLIQ分类算法的数据挖掘技术及其在企业CRM中的应用

研究了SLIQ算法的预处理、计算最佳分裂、执行分裂几个大的阶段以及具体算法设计实现过程。最后,将SLIQ算法运用到建设工业集团销售公司中,并与客户关系管理系统结合起来,为公司决策提供支持和依据。

探究计算机云计算的SLIQ并行算法

云计算为海量数据处理提供了高效的解决技术,以往的SLIQ计算方式存在其固有的缺陷,因此借助云计算环境对其进行并行化改进,并利用Map Reduce模型来实现,可以在数据挖掘中获得较好的应用效果。

云计算技术在数据SLIQ算法中的应用

云计算技术是当前实施数据处理的重要技术,在数据SLIQ算法中应用云计算技术,可以针对不同数据类型和数据格式信息实施相应的处理,从而降低计算机数据处理难度,并提高数据处理效率.该文在对云计算技术在数据SLIQ算法应用的研究中,提出具体的应用策略,包括:构建云服务平台、细化云计算下服务分层、实施云计算下SLIQ算法.并且在文章最后对其应用效果加以探讨,发现采用云计算技术,能够把计算机海量数据信息都存储为一个服务器群,从而有效确保各种硬件和软件资源在互联网上实现自由流通,有效减轻了计算机数据处理人员的工作量,加快查询速度,能够显著缩小开支,提高工作效率与准确率.

一种基于改进SLIQ决策树分类算法的应用研究

提出了一种改进的SLIQ决策树分类算法,克服了原有SLIQ算法需要大量计算决策树每个节点的吉尼指数(gini index)的缺点。改进的SLIQ算法能够有效地减少计算的复杂度。结合实例,将该算法与原有SLIQ算法和基于人工神经网络的分类算法应用结果进行比较,实验结果表明该算法的分类准确率远远高于SLIQ算法和基于人工神经网络的分类算法。

一个基于SLIQ算法的模型及应用

针对当前银行系统应用数据挖掘的重要性,利用决策树技术构建了一个银行信用等级评估模型,并详细介绍了如何应用SLIQ算法实现。SLIQ算法的可伸缩性对于银行数据有很好的适应性。

基于SLIQ的数据挖掘分类算法

分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型。该函数或模型能够把数据库中的数据记录映射到给定类别中的某一个,从而可以应用于数据预测。大部分数据挖掘工具采用规则发现或决策树分类技术来发现数据模式和规则,其核心是某种归纳算法。这类工具通常是对数据库的数据进行开采,生产规则和决策树,然后对新数据进行分析和预测。本文研究基于SLIQ的数据挖掘分类算法。

计算机海量数据处理SLIQ算法研究

探讨云计算在SLIQ算法中的应用,研究结果显示,云计算下的SLIQ算法能够对计算机海量数据存储中的节点失效问题有效解决,并且显著提升计算机数据处理效率,进一步降低数据处理难度与复杂度,还可以快速挖掘海量数据信息。

云计算技术中大数据SLIQ算法研究

数据信息交流和社交方式在互联网+时代都呈现了新的发展态势,自媒体等新的数据产生方式让大数据时代来临。海量数据在大数据时代需要新的技术手段和方法,对数据存储、处理、检索和计算进行新的设计,尤其在数据挖掘领域,面临很多新的课题和挑战。当前,很多的传统数据挖掘算法只能在数据量较小的情况下适用,在串行的小规模输入数据环境下,算法还能适应。当数据量规模增大甚至呈指数形式增长时,时间复杂度和计算量也同步增长,需要对算法进行适应大数据的改进。云计算和云平台的使用为存储和分析海量数据提供可靠的实现手段,对数据挖掘算法的改进提供了高效的解决方案。文中在Hadoop、MapReduce框架下开展并行的SLIQ算法改进方案,改进算法很好地适应了云平台环境和海量数据,提高了运行效率。

云计算技术中计算机海量数据SLIQ算法的应用

本文在关于云计算技术在计算机海量数据SLIQ算法中应用研究中,提出具体的应用策略策略包括:构建云服务平台、细化云计算下服务分层、实施云计算下SLIQ算法。并且在文章最后对其应用效果加以探讨。

探究计算机云计算的SLIQ并行算法

云计算的出现,为数据的分析以及存储提供了更为科学、有效的解决方案,对于数据挖掘算法的研究与应用来说也具有着更高的应用价值。其中SLIQ算法通过逐一遍历方式的应用对最佳分裂点进行寻找,但是其所存在的一个缺点则是消耗的时间过长,且算法执行效率也较低。在本文中,将就计算机云计算的SLIQ并行算法进行一定的研究。

计算机云计算的SLIQ并行算法实践研究

随着云计算的出现,当前的数据分析和存储变得更加方便和高效。在传统的SLIO计算方式之中有着许多的缺陷,在计算机云计算环境之中需要对这些缺陷进行有效的改进。文章对计算机云计算与SLIQ的并行算法展开了实际性的研究。

SLIQ算法在农户服务系统中的应用

国家高科技发展计划课题《农业病虫害网络化远程诊断技术平台》建立了基于呼叫中心的农户服务系统,解决了传统专家系统的实用化问题。为找出农户急需解决的需求,利用SLIQ(SupervisedLearningInQuest)算法对农户需求进行分类,把农户需求分为重点需求、一般需求和监控需求,并针对各种类型的问题进行统计和预测,将农户最关心的需求问题及时补充到专家系统中。

快速分类算法SLIQ的研究与应用

详细讨论了SLIQ算法的设计实现过程,并把它应用到毕业生就业信息中,借助计算机对毕业生的就业信息进行挖掘。所获取的知识对指导今后的教学和学生工作有重要意义。

基于类标签变化的改进SLIQ算法研究

针对数据挖掘的决策树分类技术中,SLIQ分类器在建树阶段寻找最佳分裂属性时,需要计算大量数值型属性间中间值的基尼系数,算法时间效率低的问题,提出一种改进的SLIQ算法。该算法通过判断数值型属性的预排序属性表中的类标签变化来选择合适分裂位置,减少可能存在的最佳分裂点。实验部分中,用UCI机器学习库中的数据集作分类测试。与原来的SLIQ算法相比,在没有降低分类准确率与扩大决策树规模的情况下,需要计算基尼系数的分裂点个数平均减少了36.32%。最后,将改进算法应用于电子商务的客户分析,分类结果有助于商家作出正确决策。

大型数据库中数据挖掘算法SLIQ的研究及仿真

大型数据库中的数据挖掘是目前数据挖掘领域重要的前沿课题.SLIQ算法是处理大型数据库数据的有效算法之一.该算法分为三个阶段:在预处理阶段,对数值属性进行预排序;在树的构建阶段采用了树的宽度优先增长策略,使得SLIQ能够处理海量的磁盘数据;在树的修剪阶段,采用了一种基于最小描述长度原理的修剪算法.实验结果表明,SLIQ能够较快且准确地处理海量的数据.