多值属性关联规则的理论基础

关联规则的研究主要集中在发现高效的算法，而该文基于形式概念分析讨论了多值属性关联规则发现的框架，指出最大频繁项目集由最大频繁闭合项目集唯一确定。

基于粗糙集的多值属性关联规则挖掘

本文应用粗糙集理论中等价关系的概念，结合知识系统细化和泛化的思想以及Apriori算法中逐层搜索迭代求取频繁项集的思想，对数据挖掘中的多值属性关联规则问题进行研究，提出一种新的多值属性关联规则挖掘算法Mqars。Mqars的主要特点是无需将多值属性转化为布尔型属性，可以尽早地约简非候选的频繁项集，方便快捷地计算出项集支持度，提高多值属性关联规则挖掘效率。论文给出了Mqars算法详细描述、具体实现过程和算法实例及分析。最后设计实验环节对Mqars算法与传统的Maqa算法在时间复杂度和算法效率方面进行比对和分析，分析与比对的实验结果表明了该算法的有效性。

基于关联规则的交通事故影响因素的挖掘

道路交通安全是一个公共的安全问题,每年因交通事故死亡的人数在所有安全事故导致的总死亡人数中占比最高。随着大数据智能分析技术的发展,广泛利用交通数据朔源事故原因,有利于提出针对性措施,预防交通事故的发生。文中针对导致交通事故的原因具有多样性的特点,提出利用交通事故的相关新闻数据,广泛结合新闻报道具有的真实性和时效性特点来进行交通事故因素及责任的分析。以新浪网站交通事故新闻为数据源,从新闻事件中提取引发交通事故的相关因素。针对经典Apriori只适用于单一维度的关联挖掘以及需要频繁扫描数据库的缺点,提出了改进的多值属性Apriori算法。以省市为关注点,挖掘出导致事故发生的多种组合因素,由此总结出省市多发交通事故的规律,并提供给有关部门作为采取预防和监管措施的依据。

基于改进PSO-Apriori算法的恐怖组织关联特征分析

通过分析和挖掘出恐怖组织内在的关联特征,得出恐怖主义袭击事件组织者的时空活动规律,为针对特定组织者的全球反恐战略部署提供理论依据和指导。利用20年的全球恐怖主义数据库(GTD)作为数据源,以全球恐怖组织为主体研究对象,通过改进的多值属性Apriori算法对提取出的恐怖组织时间、空间及其相关特征进行关联分析,并以粒子群算法(PSO)优化Apriori算法的支持度和置信度两个重要参数。研究结果表明,改进算法规则提取时间有所缩短,冗余规则数量大大减少,特定恐怖组织在时空分布上具有很强的内在关联特征。由此得出结论,通过对多值属性Apriori算法的剪枝步和连接步设定规则限制能够提高关联算法的运行效率并提取出更加有效的规则。同时,经过粒子群算法的优化能够避免人为主观意识对算法结果产生的影响,从而验证了改进算法的有效性和准确性,挖掘出恐怖组织的基本时空活动规律。