基于FP-growth的老年行人交通事故损伤致因研究

为研究老年行人交通事故相关因素及其对损伤程度的影响,以中国交通事故深度调查数据库中2013—2023年710起机动车-老年行人事故为分析对象,利用FP-growth算法挖掘出4类影响因素28个类型变量共5594项关联规则。研究结果表明:行人年龄、碰撞速度、事故时间段及事故地点是影响老年行人事故死亡率的显著因素。特别是,行人年龄和碰撞速度对死亡率有显著影响,随着碰撞速度的增加,死亡率显著上升;60岁及以上老年行人年龄每增加1岁,其死亡率提升0.037倍。此外,事故发生在夜间、郊区或村庄的死亡率更高。研究结果可为提高老年行人交通安全,制定相关安全措施提供一定参考。

基于FP-Growth算法的运毒嫌疑车辆智能推荐研究

毒品运输是毒品犯罪的重要环节,虽然毒品运输的手段越来越多样化,但公路运输仍然是主要的运输方式之一,而运毒人员有着各自经典的运毒模式。文中对运毒模式进行特征挖掘,发现存在前后车伴随的规律,根据实际业务中前后车行为以半小时为时间间隔导向,建模时选择PostgreSQL数据库。在数据库中建立过往车辆前半小时中间表、后半小时中间表、中间跨度表,运用人工智能数据挖掘技术实现从大量的通行车辆中抽取车辆伴随信息,采用FP-Growth算法挖掘频繁项集,查找高频出现车牌号,通过设定阈值并找到对应的关联规则,经过缉毒民警提供的黑名单进行过滤并排序,最后进行车辆嫌疑度的推荐,为民警拦截嫌疑车辆提供支持,能够在一定程度上提高对嫌疑车辆排查的针对性、准确性和有效性。

基于FP-growth算法的高维混合属性数据挖掘方法

常规高维混合属性数据挖掘方法多采用云平台技术,无法完整保留数据的结构相似性,使得数据挖掘效率较低。为此,提出了基于FP-growth算法的高维混合属性数据挖掘方法。为了改善数据质量,根据高维混合属性数据在数据库中的存储结构,采用了一种固定算法实现数据去噪,并依据数据类型计算分类型和数值型相似度,结合FP-growth算法对频繁项样本分支进行筛选生成项表头,保证数据结构相似性的完整性,通过搜索项表头输出有效关联规则,实现数据挖掘过程。实验结果表明,所提方法具有较高的挖掘效率。

基于疗效加权FP-Growth算法的干燥综合征组方用药挖掘分析

目的以数据挖掘方法探索干燥综合征组方用药规律,并探讨加权FP-Growth算法在中药方剂挖掘中的应用,为中医临床用药分析提供新思路。方法以中医临床疗效作为加权标准,以集对分析为基础计算疗效基数ρ,以w=(ρ_(对照组)-ρ_(实验组))/ρ_(对照组)+δ计算最终加权值,以加权FP-Growth算法为关联规则分析方法进行数据挖掘,分别计算支持度及提升度,对挖掘结果进行支持度和提升度的分析,综合得出分析结果。结果最常用中药前5位为:麦冬、生地黄、甘草、白芍、北沙参。综合支持度及提升度分析挖掘结果后提出以麦冬、生地黄、北沙参、甘草为基本底方,丹参、玄参、黄芪为祛瘀,解毒,补气加减方向的代表。并挖掘出了两个值得关注的高支持度药团:补脾肾的茯苓-山茱萸-山药-丹皮药团及补气血的白芍-太子参-五味子-当归药团。结论干燥综合征临床用药以养阴生津药为主,配伍具有经典方特色。加权FP-Growth算法用于组方用药分析可提炼核心组方思路及加减方向,有助于中医药经验的继承与发展。

基于FP-Growth算法的煤矿安全信息管理系统设计及应用

为将煤矿安全生产管理关口再度前移,强化对煤矿生产一线的安全管理,提出了基于FP-Growth算法的煤矿安全信息管理系统。首先明确了系统设计目标及架构设计方案,以移动智能手持终端等为前端设备,采用B/S模式结合JAVA、CSS等语言研发出可运行于内部局域网(Intranet)和互联网(Internet)并支持多终端互动的安全信息管理系统;其次研发了系统主要功能模块包括事故隐患排查、风险分级管控、不安全行为治理及其他功能等;最后将系统应用于陕北某矿,并基于FP-Growth算法对该矿事故隐患数据进行深度挖掘,分析其不同维度数据间的关联性。研究及应用结果表明:该系统的应用能够对煤矿事故隐患起到预防预警的作用,可有效遏制生产一线安全生产风险与事故隐患的发生,有效保障煤矿的安全、高效生产,为煤矿安全生产提供辅助决策。

数据点位置并行FP-Growth挖掘算法仿真

当数据集发生非法入侵时,原数据属性会遭到破坏,且由于数据本身的不确定性及噪声等问题,入侵数据点位置的挖掘难度较大。为此,提出基于并行频繁模式增长算法(Frequent Pattern Growth, FP-Growth)的数据点位置智能挖掘方法。建立信息熵-主成分分析法融合算法(Entropy-Principle Compoent Analysis, E-PCA),对大数据降维。融合入侵检测和K均值聚类算法(Intrusion Detection Systems K-means clustering algorithm, IDS K-means算法)和并行FP-Growth算法,实现入侵数据的检测。利用邻居节点数据投票的方式实现入侵数据点位置智能挖掘。实验表明,所提方法检测入侵数据时误报率低于1.0%,数据点位置挖掘准确率高于98%,且能够精准实现正常数据与异常数据的聚类。以上结果均证明了所提方法具有更优的应用性能。

基于FP-growth算法的多尺度用电异常行为检测方法

异常用电行为检测直接关系到电力公司的利益。针对上述问题,提出一种基于FP-growth算法的多尺度用电异常行为检测方法。通过采集器远程获取用电数据,并对缺失数据填补和数据进行标准化处理。通过计算特征的重要性指数和贡献率选取多尺度用电行为特征。利用FP-growth算法建立特征与用电行为之间的关联规则,根据支持度和置信度判断是否存在异常,实现用电异常行为检测。实验结果表明,所研究方法的F1值始终高于0.8,说明该方法的检测更为准确。

一种基于FP-Growth数据挖掘算法和正则表达式进行车驾管系统智能监管的实现方式

本文基于公安交通管理综合应用平台车驾管业务登记事项内容和基于传统表结构的车驾管数据库后台,通过FP-Growth数据挖掘算法和正则表达式,对前台窗口输入数据和数据库已有数据进行自动模式匹配,自动过滤错误数据或进行数据业务信息预警,实现对车驾管业务进行事中和事后监督,从而提高数据质量,完成业务监管。本文先介绍FP-Growth的概念及运行机制,自动挖掘数据中的规律的方法,再介绍正则表达式对系统前端数据的初步过滤方法,最后给出整套的数据监管流程。本文主要在理论层面讲述监管的运行原理和小规模实验结论,因实验环境设备所限,不涉及大量数据库真实数据的操作。最后对该算法的优化方向进行了讨论。

基于“剪枝+并行”FP-Growth算法的密切接触人员快速追踪技术的研究

利用“剪枝+并行”式FP-Growth优化算法,通过提升计算精度和速度的方式对疫情发生地区确诊患者的密接人员、次密接人员和同时空关联人员实行快速精准的排查。与传统的FP-Growth算法相比,“剪枝+并行”式FP-Growth算法的计算性能得到显著提升。通过对某地区测试者7天内行迹及相关联人员信息进行时间和准确方面的测试比较发现,计算时长缩短了近30%,准确率由82%提升至91%。实验表明,利用优化后的FP-Growth算法能够较好地满足疫情发生地区快速精准确定相关联人员的要求。

基于布尔矩阵和MapReduce的FP-Growth算法

关联规则挖掘是数据挖掘的一个重要组成部分.为提高关联规则的挖掘效率,提出了一种基于布尔矩阵和MapReduce的FP-Growth算法(BPFP),分析了算法的时间和空间复杂度.该算法使用Hadoop框架和布尔矩阵以减少对事务数据的扫描次数,利用两次MapReduce来实现频繁项集的挖掘.在多个数据集上的实验结果表明,与原FP-Growth算法相比,BPFP算法具有更高的执行效率、更好的加速比.

一种基于FP-Growth的频繁项目集并行挖掘算法

FP-Growth算法是基于FP树挖掘频繁项目集的经典算法,为提高FP-Growth算法挖掘大规模数据频繁项目集的效率,提出了一种基于FP-Growth的频繁项目集并行挖掘算法FPPM。该算法基于Map/Reduce并行模型,在每个计算节点上首先构造局部频繁模式树,并对之进行挖掘得到局部频繁项目集,然后合并局部频繁项目集以得到全局频繁项集,由于此时得到的结果并不完备,所以对合并后未达到最小支持度阈值的项目集,重新计算其支持数。介绍了FPPM算法的设计思想,测试了其性能。实验结果表明FPPM算法具有较好的可扩展性。

负载均衡的FP-growth并行算法研究

针对在大数据量频繁模式挖掘的时候,有效地利用空闲的计算资源,提出一种基于FP-growth算法的并行算法。该算法有效地将FP-growth主要的计算部分合理地分配到各个计算节点上,各个节点独立完成挖掘后返回结果,从而缩短总计算时间。实验证明,该算法可以完整高效地挖掘频繁模式,并且实现均衡负载。

基于负载均衡和冗余剪枝的并行FP-Growth算法

针对现有的并行FP-Growth算法在数据并行分组时存在数据冗余和负载不均的问题,提出了基于负载估算和冗余剪枝的优化算法。首先,在采用高频策略分组时,引入节点任务估算方法,把每个分组中最大模式树的最长路径和支持度作为该分组的估计值,将估计值远大于其他节点的分组进行分割,平均到其他分组中,并且对不同分组中重复的列表元素进行截断,去除冗余数据。实验表明,本文提出的算法能够有效防止并行化的数据倾斜,减少数据冗余,在时间和空间复杂度上要低于以前的并行化FP-Growth算法。

基于FP-growth算法的高校群体性突发事件关联规则分析

为有效预防高校群体性突发事件,借助数据挖掘关联规则挖掘理论,在分析高校突发事件关键诱发因素基础上,构建基于FP-growth算法的高校群体性突发事件关联规则挖掘模型。并将模型应用于事务数据库数据的分析中,研究关键诱发因素间关联关系,实现强关联规则输出。研究结果表明,多数高校群体性突发事件的发生与日期没有必然联系;内部管理因素、内外部突发事件、内部突发事件、政治因素是诱发高校群体性突发事件的主要因素,且外部因素导致的群体性突发事件影响力远远超过内部因素的影响力;当突发事件发生后,应急处置的有效性是决定突发事件影响力的重要因素。

基于Spark框架的FP-Growth大数据频繁项集挖掘算法

针对大数据中的频繁项集挖掘问题,提出一种基于Spark框架的FP-Growth频繁项集并行挖掘算法。首先,根据垂直布局思想将数据按照事务标志符垂直排列,以此解决扫描整个数据集的缺陷;然后,通过FPGrowth算法构建频繁模式树,并生成频繁1-项集;接着,通过扫描垂直数据集来计算项集的支持度,从而识别出非频繁项,并将其从数据集中删除以降低数据尺寸;最后,通过迭代过程来生成频繁k-项集。在标准数据集上的实验结果表明,该算法能够有效挖掘出频繁项集,在执行时间方面具有很大的优越性。

基于FP-growth关联规则的图书馆数据快速挖掘算法研究

作为一种模糊关联规则挖掘算法,FP-growth算法在执行效率上明显优于Apriori算法。但是由于模糊属性的不足和空间复杂度较大,导致FP-growth算法在处理大型事务数据库,例如图书馆数据库时,无法实现有效的多层关联规则挖掘。因此,提出一种改进的FP-growth关联规则算法,能够快速向读者进行个性化图书推荐。首先,该算法把大型图书事务数据库根据首项的事务,划分为若干子数据库,并构建相应的子FP-tree结构;然后,采用实时过滤掉层次树中不是频繁项的父项来缩小扫描空间。实验结果表明:相比Apriori算法和标准FP-growth算法,提出的改进FP-growth关联规则算法在运行效率方面有明显提升,为图书的推荐工作提供了科学依据。

基于改进FP-Growth算法的CRHX型动车组牵引系统关联失效模型研究

基于CRHX型动车组牵引系统运营过程中的故障数据,分析故障数据的特征,研究设备之间的关联失效关系。依托课题组前期对故障信息特征词提取的研究,本文结合故障信息特征词的特点优化经典的关联规则挖掘算法,提出改进的FP-Growth算法,并进行算法性能测试,结果表明该算法准确高效;基于改进的FPGrowth算法分析设备的故障信息特征词,挖掘设备关联失效规则,建立设备的关联失效模型。最后,以CRHX型动车组牵引系统为例进行研究,验证了改进FP-Growth算法的有效性和实用性。

基于Spark的并行FP-Growth算法优化与实现

频繁模式挖掘作为模式识别的重要问题,一直受到研究者的广泛关注。FP-Growth算法因其高效快速的特点,被大量应用于频繁模式的挖掘任务中。然而,该算法依赖于内存运行的特性,使其难以适应大规模数据计算。针对上述问题,围绕大规模数据集下频繁模式挖掘展开研究,基于Spark框架,通过对支持度计数和分组过程的优化改进了FP-Growth算法,并实现了算法的分布式计算和计算资源的动态分配。运算过程中产生的中间结果均保存在内存中,因此有效减少数据的I/O消耗,提高算法的运行效率。实验结果表明,经优化后的算法在面向大规模数据时要优于传统的FP-Growth算法。

基于FP-Growth算法和GRNN的电力知识文本挖掘

为了提高电力知识文本挖掘的性能,采用FP-Growth算法对影响电力需求的强关联因素进行挖掘,运用广义回归神经网络(General Regression Neural Network,GRNN)算法实现电力需求预测。首先,对待挖掘的电力文本进行指标提取并编码,生成电力文本初始FP-Tree;接着采用FP-Growth算法遍历所有FP-Tree,生成频繁集,过滤掉小于最小支持度的项,留下频数较高的频繁项;然后根据更新后的FP-Tree统计关联项,选择与总用电量增长率关联强的变量生成训练样本;最后采用GRNN算法对电力需求文本进行训练,输入电力需求预测样本,设置平滑因子,通过模式层的输出和加权求和来获得电力需求预测结果。实验结果证明,通过合理设置最小支持度和GRNN的平滑因子,能够获得较好的电力文本挖掘性能,与常用挖掘算法相比,所提算法能够获得更高的电力需求预测准确率。

基于FP-Growth算法的盾构掘进参数与隧道管片渗漏关联性分析

为研究隧道管片渗漏与盾构掘进参数之间的关联性,对关联规则中的Apriori算法与FP-Growth算法进行比较,选择FPGrowth算法作为文章研究使用的关联规则算法。选取关键掘进参数并对其数据筛选、划分及编码。采用FP-Growth算法,结合Matlab数据分析语言编程,挖掘基于掘进参数频繁项集的管片渗漏关联规则,分析关键掘进参数渗漏原理。依据渗漏频繁项集和渗漏规则,推荐4个关键掘进参数组合的预设范围,并应用在某隧道东线的盾构掘进中。结果表明,关键掘进参数组合优化后的成环管片发生渗漏的概率降低29.36%。