基于数据自组织挖掘的机械设备状态退化预警方法

在设备状态监测过程中引入数据自组织挖掘思想,建立一种设备状态退化预警方法。采用隐马尔科夫模型(HMM)对设备的早期退化状态进行准确辨识和评估,并进一步建立设备退化过程的自组织预测模型。案例分析中将该方法应用到旋转机械轴承运行状态退化的预警过程中。结果表明,基于自组织数据挖掘的设备状态退化趋势预测方法预测效果准确、客观性强,预测值与实际值的拟合程度高,相对误差仅为3.1%。新方法能够预测设备未来时间段的退化状态及其发展趋势,提前给出预警信息,有效地制定预知维修计划,及时采取预防措施,防止因设备突发失效引起非计划停机造成生产和经济损失。

煤矿瓦斯涌出时序预测的自组织数据挖掘方法

为分析煤矿瓦斯涌出复杂系统时间序列预测方法,提出自组织数据挖掘(SODM)与相空间重构(PSR)相结合的预测建模方法。首先应用C-C方法计算时间序列的最佳嵌入维数和延迟时间后进行PSR;然后以二元二次方程为传递函数,以嵌入维数变量为自变量,以延迟时间后的时间序列为因变量,通过内准则确定传递函数系数和外准则选择最优传递函数,并以最优传递函数的输出为下层迭代传递函数的输入,最后获得最优复杂度预测模型。算例结果表明:该方法对煤矿瓦斯涌出量预测的相对误差为-5.751 7%~6.049 3%,平均相对误差2.145 7%,预测结果能满足煤矿安全生产实际工程应用要求。

基于自组织数据挖掘的电子商务客户流失预测模型

为解决电子商务客户流失预测中的高维、非线性问题,本文将自组织数据挖掘理论(SODM)引入客户流失预测,提出一种新颖的基于自组织数据挖掘的电子商务客户流失预测模型。该方法将自组织数据挖掘中的客观系统分析算法(OSA)和改进分组数据处理网络(GMDH)集成起来进行电子商务客户流失预测。首先利用OSA算法选择出重要的电子商务客户流失关键属性,然后将训练样本送入改进GMDH网络进行学习和训练,进而对测试样本客户流失状态进行判别。将该方法应用于某网上商店客户流失预测实证分析,预测结果验证了该方法对包含多种因素影响的电子商务客户流失预测具有优势,基于自组织数据挖掘的电子商务客户流失预测模型具有较强的实用性和可操作性。

自组织数据挖掘与回归分析方法的比较研究

采取定性分析、理论分析和实验研究相结合的方式,从三方面对自组织数据挖掘方法与回归分析方法进行比较:包括二者的算法过程,对不同对象的拟合和预测效果以及二者的联系。结果不仅揭示了二者的区别和联系,而且表明,自组织数据挖掘方法是复杂系统模拟预测的有效工具。

基于工作流日志的组织结构挖掘研究

为了从工作流日志中挖掘组织结构设置和执行者之间的交互信息,分析了工作流日志中的活动执行者的信息,并引入多种距离公制用以刻画日志中活动执行者间的各种关系度的强弱,提出了组织结构的三种挖掘方法,即默认挖掘、基于活动相似度的挖掘和基于过程实例相似度的挖掘。通过以上方法对工作流日志进行组织结构挖掘得到组织网络,组织网络能够客观地反映出参与工作流程的组织实体并正确表示出组织结构。通过一个挖掘实例对挖掘过程进行了验证和说明。

自组织数据挖掘方法研究综述

从对自组织数据挖掘方法(SODM)本身的改进和SODM与其他建模方法结合两方面介绍了SODM的研究进展.对SODM本身改进的方面包括模型表示、选择准则和搜索方法.分析SODM与神经网络、遗传算法、模糊法则归纳法以及模拟方法的结合.在此基础上,指出SODM改进方向应该在改善算法本身的基础上,将其从单纯的数据挖掘技术扩展为知识发现的全过程.

自组织数据挖掘在卫生总费用预测中的应用

本文采用自组织数据挖掘方法建立了卫生总费用的预测模型 ,发现影响我国卫生总费用的重要因素有 :GDP、医疗卫生服务成本、全国保险福利费用总额、全国从业人员数、城镇职工医疗卫生支出、政府卫生支出等。模型预测结果显示 :中国卫生总费用在今后若干年会有比较快的增长 ,需要政府从宏观政策上加强卫生改革的力度来控制医疗卫生服务成本 。

基于自组织数据挖掘理论的海洋经济预测

自组织数据挖掘理论是新兴的一门交叉学科,其在小样本、受到噪声干扰的经济系统建模预测时比计量经济学和人工神经网络方法更优越。GMDH——分组数据处理法是自组织数据挖掘方法中的一个成熟算法。构建GMDH预测模型,对我国主要海洋产业进行经济预测,得出2007—2010年我国主要海洋产业产值的预测数据,我国海洋经济将继续快速平稳发展的结论。

基于自组织数据挖掘的铁路客运量预测方法研究

由于传统的预测方法难以对影响铁路客运量变化的因素进行全面考虑,其预测精度不高。选择影响铁路客运量变化的因素:经济社会发展的原生性需求、铁路自身供给能力、不同交通方式、客运价格和旅行费用、运输服务质量等,建立基于自组织数据挖掘的铁路客运量预测模型。通过算例进行验算结果表明,自组织数据挖掘建模预测方法在变量多、数据少、普通的建模预测方法难以胜任建模任务的情况下,可以得到较满意的结果,适宜进行多因素的铁路客运量预测。

基于自组织数据挖掘方法的经济预警研究

目前经济预警方法主要包括指标预警、统计预警、模型预警3类,这3类方法各有优劣。模型预警法常使用ARCH模型预警与人工神经网络模型预警。将自组织数据挖掘方法引入经济预警建模过程,通过实证研究发现:自组织数据挖掘方法在经济预警研究中具有较强的学习能力,在模型变量筛选时能有效避免人为因素的影响;与人工神经网络相比较,它建立的显式模型能够反映输入指标对输出指标的具体影响状况,将有助于分析警源,排除警情。研究结果表明,自组织数据挖掘方法将为经济预警提供一种新的模型预警法。

基于自组织数据挖掘信息产业测度综合法

为了进一步研究信息产业对经济增长的影响,量化信息产业的发展规模和程度,将数据挖掘技术用于信息产业测度中。设计了基于自组织数据挖掘的信息产业综合水平法,并利用该方法对信息产业进行测度,分析了影响信息产业的主要因素。研究结果表明,该方法克服了信息产业测度中的主观性,弥补了单一方法对信息产业测度的不足;增加了测度结果的准确度和科学性,适合输入输出关系较复杂的经济问题(非线性问题)的评价。

自组织数据挖掘在能源消耗预测中应用

自组织方法又称数据组合处理方法GMDH(GroupMethodofDataHandling),是目前国际上先进的建模工具。本文简单地介绍该方法的算法及其优点。文章还给出了将该方法运用于我国能源消耗的预测的实例,得出了较好的数据结果,并分析了出现相关结果的原因。

基于自组织数据挖掘的利润结构盈余质量分析

本文利用自组织数据挖掘(GMDH)方法,建立了一个由新准则下利润构成项目组成的盈余质量分析模型,说明了不同利润构成项目对盈余质量的影响,为利用利润结构分析法分析盈余质量提供了依据。

基于自组织数据挖掘的住宅空置影响因素分析

空置是反映房地产市场状况的一个重要因素。本文运用自组织数据挖掘方法来分析中国住宅空置面积的影响因素,我们发现,在所有的因素中,人均住宅面积是影响空置面积的最重要的因素,其中也有其他因素的较小的相关影响。

自组织数据挖掘及灰色理论比较应用研究

通过对自组织挖掘算法的理论分析和实验研究,对自组织数据挖掘和灰色理论在不同对象中的拟合和预测效果进行比较分析,揭示了自组织数据挖掘与灰色预测方法的不同特征和属性。灰色数列预测是指利用动态GM模型,对系统的时间序列进行数量大小的预测,即对系统的主行为特征量或某项指标,发展变化到未来特定时刻出现的数值进行预测。比较研究的结果显示:对于周期性的贫信息数据及噪声干扰的复杂系统,灰色理论是适宜的选择。

流程挖掘在流程优化中的应用

企业信息系统产生的大量流程日志数据隐藏了一些有用的模式,流程挖掘从控制流、组织、资源等多个视图分析这些数据,发现流程中存在的问题,指导管理人员对流程进行优化。详细总结了近年来流程挖掘在流程优化中的应用,分析了利用流程挖掘优化业务流程的几种典型方法,论述了流程挖掘在改善流程结构、提升组织效率、优化资源配置和检测流程异常等领域的应用,并指出了进一步的研究方向。

踪迹聚类下组织实体的重要度排序方法

针对简单套用交接网络等社会网络分析方式不能很好地反映踪迹聚类生成的一系列流程的组织实体的重要度的问题,提出了一种踪迹聚类下组织实体的重要度排序方法。首先,对于参与踪迹聚类生成的一系列流程的组织实体构建踪迹聚类与组织实体关系网络;其次,定义基于踪迹聚类与组织实体关系网络的节点重要度评估方法;最后,对踪迹聚类下的各个组织实体节点计算其在关系网络中的重要度评分并排序。实验结果表明,所提方法构建的关系网络相比踪迹聚类下的交接网络能够更准确地反映组织实体的实际重要度;与基于拓扑势的网络社区节点重要度排序算法相比,所提方法的节点重要度排序结果更符合实际业务流程,能更好地区分关系网络中重要度不同的节点。

自组织模式识别与经济预测

基于自组织数据挖掘方法与经济预测原则,提出了自组织模式识别方法。该方法的主要特点是在几个相似模式的合成中使用了数据分组处理方法自动合成技术,实际应用于经济预测时比传统意义上的预测方法方便。实例表明了它在经济预测中的有效性。同时,使用增加同类经济对象样本数据的方法,解决了样本数据不足的问题.

四川省宏观经济发展的自组织模型

作者基于自组织数据挖掘理论建立了四川省经济发展的自组织模型,并就国家宏观经济政策对四川省区域经济的影响进行了模型分析,得出了经济因素对全国整体的作用水平以及四川省经济发展的特点.

我国经济增长的自组织模型研究

经济系统的复杂性决定了经济变动及影响因素解释的困难性。应用自组织数据挖掘方法,建立一个解释我国GDP增长的自组织模型,同时与用主成分分析方法建立的GDP增长模型进行比较,分析影响我国经济增长的主要因素,并在此基础上提出相应的对策思路。