移动式数据挖掘平台模型

本文提出了一种移动式网络海量数据挖掘平台,给出了数据挖掘任务的形式化描述,详细讨论了平台的体系结构、工作原理与流程。该平台克服了传统网络计算模式的缺陷,支持对异质、分散数据源和知识源的挖掘和检索,具有开放性、可伸缩性、灵活性、可扩展性、健壮性。

一个嵌入式移动计算平台:WebitAgent系统模型

提出了一个嵌入式的MobileAgent分布式计算平台 ,详细地介绍了WebitAgent的体系结构和各子系统的功能及实现·特别地 ,还介绍了一种扩展Jini的基本体系结构的技术ServerPush技术 ,使得移动代码能够主动迁移·WebitAgent系统建立在扩展后的Jini体系结构基础之上 ,因此 ,由WebitAgent系统连接的设备网络具有Jini体系结构下网络资源组织的灵活性、动态性和易于管理的特性·并且 ,由于嵌入了支持MobileAgent计算模式的系统 。

物流园区协同信息平台的数据挖掘模型研究

分析了物流园区协同信息平台,提出了物流园区数据挖掘的概念,通过研究园区物流活动,建立了分布式数据仓库结构的数据挖掘技术,并以武汉丹水池物流园区为例进行了案例研究。

大数据时代档案信息资源共享平台 数据挖掘模型的研究与实现

随着大数据时代技术的不断发展以及档案信息资源数据不断积累,如何利用档案信息资源大数据进一步提升档案服务能力,促进档案智能化管理能力提升,已经成为档案部门的当务之急。在描述数据挖掘相关概念的基础上,通过对数据挖掘技术在档案信息资源共享平台中应用的研究,从数据挖掘模型的确立、档案信息资源数据选择和档案信息资源数据源创建等方面,论述平台数据挖掘模型的建立,并在数据挖掘模型功能模块、数据挖掘模型处理流程、数据挖掘模型样本准备、预测模型创建和剖析模型集创建等方面进行实践,验证该模型的可行性,为实现档案信息数字化全面发展的目标提供了更为有效的科学方案。

基于数据挖掘算法的移动电子商务群体用户访问控制模型

基于数据挖掘算法的移动电子商务群体用户访问控制模型,挖掘群体用户在移动电子商务网络中的频繁浏览页面,提高用户访问控制精确度。先通过MFP数据挖掘算法获取用户最大向前引用序列,通过用户最大向前引用序列建立基于数据挖掘算法的用户访问控制模型,模型中的事件产生器接收最大向前引用序列数据后,事件分析处理器利用决策树的贪心算法创建序列数据决策树,通过属性选择度量算法形成多重分类器分类序列数据,响应单元在接收序列数据为正常数据时输出相应值且同意用户访问,在接收序列数据为异常数据时抑制序列数据并拒绝用户访问。实验结果表明,该模型在并发用户数量为200人时,再次登录的响应时间仅为524 ms,可有效控制移动电子商务群体用户对于网站的访问响应时间,在移动电子商务网站3 500条信息中拦截危险访问信息准确率高达95%以上。

试论数据挖掘技术下推送式学习模型的构建

推送式学习模型构建的主要目的在于实现个性化学习。这种学习不是被动而是主动呈现的,尤其是在大数据时代背景下,利用数据挖掘技术,根据学习者的学习行为和信息素养、信息习惯,在海量的信息数据中将知识主动推送给学习者,提高学习效率和兴趣。其模型构建主要包括数据采集、数据关联和主动推送等三大模块:数据采集模块意在获取学习者学习特征;数据关联模块意在将采集到的数据作同类合并处理,得出数据间的联系,研判学习者学习特征;主动推送模块则根据知识库与学习特征的匹配度,将学习资源主动推送给学习者,最终实现个性化学习。

基于数据挖掘的移动客户流失量预测模型

为了解决移动客户流失量建模与预测中的一些难题,结合移动客户流失量的变化特点,提出一种基于数据挖掘的移动客户流失量预测算法.首先收集移动客户流失量的历史样本,并通过预处理消除一些无用样本,然后根据贝叶斯决策树算法对移动客户类型进行分类,最后针对具体的移动客户预测流失量.结果表明,该算法建模速度优于其他移动客户流失量预测模型,可以获得更优的移动客户流失量预测结果.

基于移动Agent和数据挖掘的智能NIPS模型

在分析入侵防御系统、移动Agent和数据挖掘技术特点及优势的基础上,提出了基于移动Agent和数据挖掘的新智能NIPS模型。利用移动Agent的特点,结合数据挖掘所具有的实时提取和辨识异常信息的优势,解决NIPS数据收集单一的不足,及时更新检测规则库,有效地解决网络安全漏检和误报问题,从而提高系统的检测辨识决策和整体智能防御功效。

MADSPM:一种基于移动代理的分布式多流数据处理模型

对主要的流数据模型进行了比较分析,讨论了基于概要结构的流数据处理模型---Synopsis模型。在Synopsis模型的基础上引入移动代理,提出了一种基于移动代理的分布式多流数据处理模型MADSPM。最后对基于MADSPM模型的流数据关联规则挖掘问题中需注意的一些问题进行了阐述与分析。

面向微课移动学习的教学资源平台数据挖掘技术分析

为了解决目前学习平台中微课资源推送不精准、缺少学习路径优化推荐功能等问题,文章在分析微课与移动学习的内涵特征的基础上,重点对数据挖掘技术中的K-means聚类算法和Apriori算法进行分析,并通过数据挖掘技术实现了教学资源平台微课程资源的智能推送。

数据挖掘技术下推送式学习模型的构建

推送式学习模型构建的主要目的在于实现个性化学习。这种学习不是被动而是主动呈现的。尤其是在大数据时代背景下，利用数据挖掘技术，根据学习者的学习行为和信息素养习惯，在海量的信息数据中将知识主动推送给学习者，提高学习效率和兴趣。其模型构建主要包括数据采集、数据关联和主动推送等三大模块：数据采集模块意在获取学习者学习特征；数据关联模块意在将采集到的数据作同类合并处理，得出数据间的联系，研判学习者学习特征；主动推送模块则根据知识库与学习特征的匹配度，将学习资源主动推送给学习者，最终实现个性化学习。

跨平台嵌入式GIS数据模型的研究与应用

嵌入式设备平台种类越来越多,为了使开发的GIS系统能在多种平台上运行,提出了一种跨平台的嵌入式GIS数据模型。该模型将与显示无关的数据处理模块独立出来,并在此基础上进一步划分为上层用户接口模型和底层数据引擎模型。该模型不仅能够满足用户二次开发的需求,还可以跨越多个操作系统,并且集成多种异构的GIS数据资源。最后,通过一个交通导航系统的实现,验证了该模型的平台无关性。

探讨嵌入式数据挖掘模型在银行卡业务中的运用

针对既有数据的挖掘系统算法运行效率比较低、结构松散揭合等问题,建立嵌入式的数据挖掘相关模型,以便完成算法组件化的管理,同时把整个数据的流程归入到数据库中,这样不仅可以对数据的挖掘过程进行简化,而且能够大幅度提高数据的挖掘效率。

基于Android平台的移动学习系统大数据挖掘技术研究

基于Android平台对移动学习系统大数据挖掘技术进行研究。通过期望最大化EM算法进行用户聚类,利用移动学习系统的个性化资源推荐模型进行近邻用户的选取和评分预测,采用CRISP-DM模型,根据学习者下载资源的时间序列数据建立ARTXP算法挖掘模型,通过对英语类课件、法律类课件、计算机类课件在7天后的下载预测,表明英语类的移动学习资源需求有所下降,法律类与计算机类课件需求有所增加,同样,可对移动学习系统的其他类学习资源需求进行预测,根据需求的变化情况制作并上传相应移动学习资源。

基于数据流挖掘的教育公共服务平台建设研究——以移动环境为视角

本文首先讨论了数据流挖掘系统的处理模式和关键技术与算法,然后研究了移动环境下的数据流挖掘技术,分析了移动环境的特征,讨论了移动环境下的算法,并以AOG算法为例,介绍在改进的数据流处理模型的基础上进行移动数据挖掘的具体思路和步骤。最后,介绍了移动环境下数据流挖掘在教育公共服务平台中的应用,阐述了移动环境下数据流挖掘技术在教育公共服务平台系统中的工作流程,以达到优化系统,提高数据查询效率的目的。

基于数据挖掘及自回归积分移动平均模型预测的医用耗材库存智能化管理研究

目的:基于自回归积分移动平均(ARIMA)构建医用耗材ARIMA模型,为医用耗材库存管理中的各项决策提供技术支持。方法:采用数据挖掘技术中的时间序列分析方法对医用耗材库存进行预测,通过构建医用耗材ARIMA模型分析医用耗材库存变化趋势,预测未来一段时间内医用耗材库存可能出现的结果。选取2018-2021年医院医用耗材每月库存数据,根据2018年1月至2021年7月医院医用耗材每月的库存数据构建医用耗材ARIMA模型,对2021年8-12月的医用耗材每月库存数据进行模型验证和数据预测。结果:建立的医用耗材最优模型为ARIMA(5,1,2)(1,1,1),模型平均绝对误差为7.46%;采用该模型预测2021年8-12月的医用耗材库存量与实际医用耗材库存量比较接近,平均绝对百分比误差(MAPE)为2.075%,模型拟合效果较好。结论:基于数据挖掘技术构建的医用耗材ARIMA模型,可指导决策者根据预测值对医用耗材进行采购,一定程度上降低医用耗材积压率和断货率,减少客观因素引起的医用耗材损耗率。

基于知识平台的S研究院数据挖掘模型

在对数据挖掘概念及其技术探讨前提下,结合S研究院知识平台建设,提出适应的研究院数据挖掘模型,并阐述其功能设计及核心技术。

基于数据挖掘的移动通信客户流失预测模型构建

目前,我国的网络建设正处于快速发展的阶段,通信行业的信息量和业务收入均迎来指数级增长,但随着客户消费观念的转变,我国的 3 大通信运营商已经无法满足客户各方面日益增长的需求,面临着客户持续流失的问题。基于此,文章分析了通信运营商客户流失的原因,建立了基于数据挖掘的客户流失预测模型,对现有客户潜在的离网行为进行了合理预测,同时进行了模型实验与评估,在此基础上,提出了相关的客户挽留策略,以期加强通信企业的用户关系管理能力。

MapReduce模型在并行式计算机数据挖掘中的应用

本次研究基于MapReduce模型在并行式环境中提出一种高性能的计算机数据挖掘算法,将模型输入由原始的一个样本转变为一组样本代以减少Map布局数量,节约算法访问Map的时间开销;在此基础上,从特征赋权角度对K-means聚类算法,对差异簇的差异特征进行权重赋值,以降低特征数据噪声。测试结果显示,该算法在MapReduce并行式环境下呈现良好的数据挖掘准确率,并且聚类收敛用时最低,处理计算机大数据挖掘问题具有一定优势。

基于多尺度空间划分与路网建模的城市移动轨迹模式挖掘

针对城市移动轨迹模式挖掘问题展开研究,提出移动全局模式与移动过程模式相结合的挖掘方法,即通过移动轨迹的起始位置点–终点位置点(Origin-destination,OD点)与移动过程序列分别进行移动全局模式与过程模式的发现.在移动全局模式发现中,提出了弹性多尺度空间划分方法,避免了硬性等尺度网格划分对密集区域边缘的破坏,同时增强了密集区域与稀疏区域的区分能力.在移动过程模式发现中,提出了基于移动轨迹的路网拓扑关系模型构建方法,通过路网关键位置点的探测抽取拓扑关系模型.最后基于空间划分集合与路网拓扑模型对原始移动轨迹数据进行序列数据转换与频繁模式挖掘.通过深圳市出租车历史GPS轨迹数据的实验结果表明,该方法与现有方法相比在区域划分、数据转换等方面具有更好的性能,同时挖掘结果语义更为丰富,可解释性更强.