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算法的交通事故数据关联规则挖掘研究

为了探寻多种事故影响因素共同作用下诱发交通事故的某种规律以及各因素间的关系,本文采用FP-growth算法对收集到的交通事故数据进行分析研究,挖掘其中的潜在价值信息,找出事故发生的原因,根据分析结果给相关部门提出建议,帮助城市交通管理者制定更有效的管理措施,以达到降低交通事故发生频率的目的。

基于改进FP-Growth算法和贝叶斯的营业线施工安全风险分析

铁路营业线施工事故致因因素众多且存在关联关系,挖掘事故致因之间的关联关系和因果关系对事故的预防管控具有重要意义。通过文本挖掘对2010—2022年某路局营业线事故调查报告进行处理,提取出51个事故致因因素。基于事故因果连锁理论将致因因素分为人因层、设备层、环境层、管理层4个层级进行分层分析,构建铁路营业线施工事故致因体系。基于压缩算法和差分编码对传统FP-Growth算法进行改进,以此对铁路营业线施工事故致因进行挖掘,找到满足提升度要求的高支持度关联规则和高置信度关联规则,发现关键致因关联和事故致因规律。基于贝叶斯网络理论、致因关联关系和专家经验建立营业线施工安全风险贝叶斯网络,结合复杂网络理论分析网络节点度、聚类系数与节点介数等特征,找到关键致因因素。在此基础上,运用因果推理和故障诊断推理进一步剖析营业线施工过程中的高风险致因,并从“人防、物防、技防”3方面提出预防管控措施。案例结果表明:施工人员操作不当、施工造成接触网故障、施工导致设施设备侵限、施工作业损害电缆设备、施工造成轨道电路故障和施工、检修、清扫设备耽误列车类事故之间的关联关系较为频繁,且为红光带事故的高概率致因,在施工作业过程中应多层次重点预防管控。研究成果为铁路营业线施工安全管理提供一种新的风险分析方法。

基于FP-Growth算法的直流输电系统阀基电子设备缺陷关联性分析

换流阀控制设备作为直流输电系统的核心设备,对其阀基电子设备进行缺陷异常分析是保证直流输电系统稳定可靠运行的基础。提出一种基于FP-Growth算法的直流输电阀基电子设备缺陷关联性分析方法。首先基于阀基电子设备的基本结构与原理,采集阀基电子设备缺陷数据;接着对原始数据进行预处理,量化编码后导入FP-Growth算法,通过构建FP-Tree,计算其支持度和置信度,分析阀基电子设备的缺陷特征和影响因素以及各元件之间的关联关系。该方法能高效智能实现对直流输电系统核心设备缺陷的关联分析及故障溯源,为运维人员检修策略的制定提供了理论依据。最后以实际直流输电系统换流阀阀基电子设备缺陷数据仿真算例对所提方法的有效性进行了验证。

基于FP-Growth算法的MES系统生产关联规则挖掘技术研究

制造执行系统(MES)产生的海量生产数据蕴含着知识性规律,挖掘这些数据对企业优化生产管理、提升产品质量、降低运营成本具有重要意义。研究分析了MES系统的架构特点和关键功能模块,介绍了FP-Growth算法的基本原理,设计了将算法应用于MES系统的过程,包括频繁项集生成、关联规则生成等关键步骤,从FP-Tree构建、投影压缩、并行化等方面对FP-Growth算法进行了优化,设计并执行基于生产数据量级的加压测试方案。

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FP-Growth算法的台区线损窃电研究

随着台区治理的开展,台区线损率稳步下降,且整体上呈现了降幅放缓的趋势。各网省通过使用线损工器具,基本解决了户变关系错误、计量失准等异常,台区线损治理逐步进入“深水区”,进一步压降治理的难度越来越大。本文以FP-Growth算法为基础,针对台区与线损相关联的窃电问题进行研究。通过分析台区异常用电数据,运用FP-Growth算法挖掘频繁模式,识别异常数据,进而推断可能存在的窃电行为。研究结果表明,该方法能够有效地提高对线损、窃电行为的检测准确率,为台区线损窃电治理提供有力支持。

基于FP-Growth+LSTM的问题发现及行为预测模型

虚拟现实、数字孪生等技术的应用,让很多产业面临数字化转型问题。通过分析2020年某数字平台用户调查数据,讨论转型过程中个性化不足、用户不适应等问题,以FP-Growth(频繁模式增长)和LSTM(长短期记忆网络)算法为基础搭建问题发现及行为预测模型。挖掘影响转型效果及用户满意度的关键事件,并对用户行为进行预测。管理者可以根据模型监测用户行为动向。该模型有助于发现行业数字化转型过程中的问题及困难用户,推动数字化转型进程。

基于FP-growth与ACO的变电运维故障分析与智能巡检路径规划

变电站巡检机器人对故障隐患的自动识别与分析仍难以满足变电站高精度检测需求。为此,本文引入频繁模式树—增长算法与蚁群算法进行了变电站运维故障分析与智能巡检路径规划设计。研究结果表明,该巡检路径规划方法在变电站智能巡检中具有可行性和应用意义,生成的最短路径能够充分考虑机器人电量约束及所有巡检节点的巡检。

基于FP-Growth算法的在线学习行为研究——以C++课程为例

本文将关联规则FP-Growth算法用于学习者在线学习行为研究。通过获取国家高等智慧教育平台C++课程的学习行为数据并进行预处理,采用K-means聚类方法归纳出四类不同的学习行为,利用关联规则FP-Growth算法挖掘出这四类不同的学习行为与学习效果之间的强规则,结果表明:以消极型低成绩的学习者为例,要重点关注章节任务点、章节检测和作业三个指标的完成情况。该研究能够得出在线学习行为影响因素与学习效果之间的具体关系,有利于推进改革教学方式,改善学习行为。

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。

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。

基于FP-Growth算法的安全稳定控制装置故障关联特性分析

为保障安全稳定控制装置的稳定运行,提高稳控装置易损模件预防性检修及故障抢修效率,提出一种基于Frequent Pattern(FP-Growth)算法的安全稳定控制装置故障关联性分析方法。首先采集稳控装置历史故障数据,量化编码后导入FP-Growth算法,通过设置最小支持度和最小置信度,挖掘稳控装置的电气量、故障类型、影响因素以及各模件之间的关联关系,进一步分析得到故障检修建议,能够有效提高运维人员预防性检修及故障检修效率。最后以某地稳控装置历史故障数据为例,使用FP-Growth算法挖掘故障与其他因素之间的关联关系,结果表明FP-Growth算法可以有效挖掘故障数据,相较于使用传统Apriori算法,FP-Growth算法可以在保证精度的情况下有效降低时间复杂度。

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。

一个基于兴趣度的FP-Growth算法改进

人们已经提出了许多用于高效地发现大规模数据库中关联规则的算法,但它们大多会产生大量的关联规则,这些规则中包含很多用户不感兴趣的垃圾规则,且只能发现正项的关联规则。因此,引入兴趣度的概念,对FP-G rowth算法进行改造,发现一些用户真正感兴趣的有用关联规则,这些规则允许包含负项规则。

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.