A Developed Algorithm of Apriori Based on Association Analysis

A method for mining frequent itemsets by evaluating their probability of supports based on association analysis is presented. This paper obtains the probability of every 1\|itemset by scanning the database, then evaluates the probability of every 2\|itemset, every 3\|itemset, every k \|itemset from the frequent 1\|itemsets and gains all the candidate frequent itemsets. This paper also scans the database for verifying the support of the candidate frequent itemsets. Last, the frequent itemsets are mined. The method reduces a lot of time of scanning database and shortens the computation time of the algorithm.

Application Analysis of Nursing Students'Grades in Course Relevance Based on Association Rule Mining Algorithm Apriori

By analyzing the correlation between courses in students’grades,we can provide a decision-making basis for the revision of courses and syllabi,rationally optimize courses,and further improve teaching effects.With the help of IBM SPSS Modeler data mining software,this paper uses Apriori algorithm for association rule mining to conduct an in-depth analysis of the grades of nursing students in Shandong College of Traditional Chinese Medicine,and to explore the correlation between professional basic courses and professional core courses.Lastly,according to the detailed analysis of the mining results,valuable curriculum information will be found from the actual teaching data.

基于SIF模型与Apriori算法的煤矿顶板事故致因关联分析

为更科学地预防煤矿顶板事故的发生,对煤矿顶板事故致因及其关联规则进行识别十分关键。首先,通过文本挖掘并结合SIF事故致因模型,确定56个影响顶板事故发生的致因;其次,通过构建顶板事故数据库并运用Apriori算法进行顶板事故致因关联规则挖掘;最后,绘制顶板事故致因关联规则复杂网络图,并综合分析顶板事故的核心致因及各致因间的关联规则。结果表明:安全培训教育和安全监督管理、作业人员安全意识淡薄和违反作业规程、当班管理人员在现场的管理不到位和其他事故致因之间有着很高的关联度以及提升度,这些因素是造成煤矿顶板事故发生的核心因素。

基于SA-Apriori的道路事故风险评估研究

道路事故风险评估是提高道路安全水平的有效方式。为实现在道路网络特征视角下的道路事故风险评估,融合线段分析与频繁集算法,提出SA-Apriori的特征提取算法,进而构建SA-Apriori道路事故风险评估模型,以重庆市大渡口区作为分析对象,建立以道路网络特征变量为指标的道路事故风险等级划分体系,评估其道路事故风险水平,结合商业点位分布情况对该评估方法的有效性进行验证。并针对大渡口区道路事故风险情况,提出道路事故风险的管理对策与建议。结果表明:该道路事故风险评估方法具有较高的可靠性,可为基于路网特征的道路事故风险评估提供参考。

基于改进Apriori算法的道路运输事故致因分析

为深入研究我国道路运输事故的致因因素,探究各因素之间的相关联系,提出一种改进的关联规则算法,并将其运用于道路运输事故数据分析。首先,将预处理后的数据进行分类,建立多维层体系框架;其次,对影响事故属性的因素进行灰色关联分析,生成新的候选项集;最后,运用考虑定向约束的Apriori算法挖掘关联规则。基于广西壮族自治区2019—2022年道路运输事故数据并对其进行详细分析,结果表明:道路运输事故中夜间时段发生事故的原因大多为疲劳驾驶,由于驾驶员行车速度不当造成追尾事故的发生。与运用传统的Apriori算法相比,该方法生成的无效规则减少了69.15%,准确率提高了49.14%,在保证准确性提升的前提下大大提高算法的效率。

基于关联规则数据挖掘的Apriori算法应用分析

基于关联规则的数据挖掘主要用于发现数据集中项目之间的联系。以Apriori算法为核心,利用店铺在线订单作为数据载体,深入挖掘顾客购买商品的历史记录,探究商品之间的关联性。通过分析这些关联规则,商家可以更精准地了解顾客的购物喜好和行为模式,从而制定出更具针对性和实效性的营销策略,有效提升商品的销售业绩。

基于Apriori算法的心内科住院患者静脉血栓栓塞症危险因素分析

目的分析心内科住院患者静脉血栓栓塞症(venous thrombus embolism,VTE)的发生现状及危险因素,为构建心内科专科VTE风险预测模型提供依据。方法回顾性分析175例在广东省某三甲医院心血管内科住院期间确诊VTE的患者的临床资料,基于关联规则Apriori算法探究VTE发生的危险因素及各危险因素间的关联性。结果发生VTE的患者中,单纯深静脉血栓形成(deep venous thrombosis,DVT)占比最高(81.71%),其次为单纯肺血栓栓塞(pulmonary thromboembolism,PTE;10.29%),DVT合并PTE最低(8.00%)。关联规则结果显示,心内科住院患者VTE发生的前9项危险因素依次为留置中心静脉导管、心功能Ⅲ级或Ⅳ级、急性心肌梗死、血小板计数异常、心力衰竭、房颤、住院期间使用过利尿剂、冠心病及卧床时间>72 h。结论本研究通过关联规则分析发现了心内科住院患者发生VTE的危险因素之间的关联特点,提示护理人员应重点关注留置中心静脉导管、原发疾病为VTE危险因素、心功能Ⅲ级或Ⅳ级、血小板计数异常、住院期间使用过利尿剂及合并多项以上危险因素的患者,并制订相应的个体化血栓预防措施,从而降低VTE发生风险。

基于改进Apriori算法的高校教育满意度关联规则挖掘

针对经典关联规则Apriori算法在大数据集情境下易产生冗余和误导性的关联规则,以及难以确认关键性关联规则等问题,提出支持度—置信度—权重检验系数框架与后项约束的改进Apriori算法。首先,定义相关性系数、提升系数、错误系数并进行证明分析,进而构建权重检验系数;其次,运用主成分分析法,提取指标中的高权重影响因素作为后项,通过后项约束过滤冗余关联信息,从而筛选出更为准确的关键性关联规则。将改进的Apriori算法应用于高校教育满意度调查数据的关联规则挖掘并进行分析对比,实验结果验证了该算法的合理性和有效性。

基于apriori算法对盆栽春小麦生理指标及产量的分析

【目的】研究土壤、残膜、灌溉制度等因素对新疆北疆春小麦的生长发育及产量的影响。【方法】试验采用盆栽试验,运用正交试验设计,选取土壤质地、灌溉方式、灌水定额、灌水次数、土壤地膜残留量5因素,各因素设置4水平,研究不同试验因素组合下春小麦株高、叶绿素含量、有效穗数、穗粒数、产量、水分利用效率和土壤含水率各指标的差异及变化;利用apriori算法分析小麦各生理指标间的关联性。【结果】全生育期内不同处理下小麦株高变化趋势基本一致,对小麦株高影响较大的因素为灌溉制度;小麦全生育期内叶绿素值整体上呈现单峰变化趋势,适当提高土壤肥力可以增产;土壤含水率与土壤质地和灌水量有明显的相关性。在灌浆期适度增加灌水能够提高小麦叶片光合速率,达到增产效果;灌水次数以及灌溉方式对小麦产量及产量构成因素有显著性影响,渗灌的增产效果表现突出。最高耗水量和最大穗粒数,最大有效穗数,最大株高具有强相关性;最高耗水量与最低干物质重、最低SPAD值有强关联性;最高株高与最低SPAD值呈强相关性。【结论】土壤质地为粘壤土,灌水方式为渗灌,灌水700 kg/hm^(2),地膜残留量为0时春小麦产量最高,能够达到71.56 g/盆;灌水定额700 kg/hm^(2)与最高耗水量和最大株高、最低SPAD值、最大有效穗数、最大穗粒数具有强相关性。过高的灌水量和耗水量会导致株高过高,SPAD值小。

基于BL-Apriori的民航机务风险关联规则分析

为了解决机务维修领域风险分析过程中文本数据挖掘不充分问题,提出1种基于二进制逻辑“与”运算改进的Apriori关联规则挖掘方法,采集到飞机维修企业2012—2021年机务维修领域不安全事件报告,最终成功挖掘出民航机务维修领域具有耦合性、关联性的风险要素,并对风险要素之间的关联规则进行分析。研究结果表明:改进后的算法运行时间从0.153 s降低至0.034 s,挖掘到机务风险中飞机检查不全面、人员遗忘/疏漏等为主要因素,与工程实际相符。研究结果可为机务安全管理提供决策支持。

基于改进Apriori关联规则算法的信令分析

传统信令分析方法需要专业人员找出可能与失败码相关的聚集的信令字段值或值组合及其导致失败的概率,并定位网络问题,操作复杂且效率低。通过改进Apriori关联规则算法,将探寻聚集的字段值或其组合的过程转换成发现失败码和相关信令字段值的关联规则。在计算频繁项集时,通过设置最小支持度阈值找出包含失败码的频繁项,将待分析失败码作为后项,减少了算法的复杂度和算力要求,并通过置信度和提升度找出与后项强关联的属性,实现了对失败码集中属性的快速高效识别。

基于改进Apriori算法的高速公路交通事故关联分析

针对现有交通数据中事故影响因素间的关联特性,为高速公路运营及管理部门提供精准化、细粒度的决策支持信息,该文考虑驾驶人、环境、道路和车辆4个维度,建立带约束的改进Apriori算法,挖掘影响高速公路交通事故的关联规则。在传统Apriori算法的基础上,规则前项和后项约束的增加,可以提高关联规则的准确性和挖掘效率。结合3 178条高速公路交通事故数据的分析结果表明:改进Apriori算法通过精准挖掘潜在因素和事故等级间的关联程度,降低无效关联规则数量,关联规则准确性、挖掘效率均大大提升。驾驶人性别、年龄、照明强度、车辆类型均与高速公路事故严重程度有强关联性;路面湿滑会使交通事故升级为一般事故;黑夜下的照明状况,是使轻微事故升级为一般和严重事故的主要因素。

基于改进Apriori算法的学生网上学习行为关联特征挖掘模型

学生在线学习行为与成绩之间存在密切关联,为了挖掘学生学习行为特征间的隐含关系,研究采用改进的关联规则挖掘算法对其进行相关性分析。实验结果表明,研究设计的算法在精确率及召回率指标上表现较好,相比传统的关联规则挖掘算法运行速度更快,用时降低幅度达26.49%。该方法从多维度实现了学习行为的分析与关联,为教学决策和研究提供了科学的支持和指导。

基于Apriori-CNN-LSTM的公共建筑供热系统用户侧阀门调控方法

针对公共建筑供热系统中依赖人工经验调节用户阀门开度,无法实现智能调节造成人力资源浪费问题,该文提出了一种基于Apriori关联挖掘特征变量的CNN-LSTM混合神经网络用户阀门开度预测模型,用于阀门预测调控,让阀门调节变得更加智能、高效。该文首先从系统中导出前期人工调节供热系统运行的历史数据,在数据清洗后使用Apriori关联规则算法挖掘各变量数据与调节阀开度之间的关系,形成关联规则库,通过分析与调节阀开度相关的强关联规则选出特征变量。结合数据特点,选择结合卷积神经网络的CNN-LSTM混合模型来预测调节阀开度,计算误差对比发现预测结果优于单一的LSTM和Attention-LSTM神经网络模型。通过神经网络算法预测阀开度实现智能化调节,保证管网内支路流量与热量的动态平衡,满足用户对供暖舒适性的要求。

基于Apriori算法的氢安全事故统计分析

为探究氢安全事故不同特征因素间的相关性,以827起涉及氢气系统的安全事故为数据集,统计分析事故时间、应用阶段、点火源、事故致因及事故后果等特征因素。首先,构建事故致因的关联规则网络,讨论事故致因相关性;然后,交互分析事故致因和事故后果,明确事故因果关系;最后,基于Apriori算法挖掘氢安全事故的6类特征因素的关联规则。结果表明:氢安全事故中设备失效与设计错误、操作错误与意外反应等6个事故致因组合相关性最高;未点燃的氢气释放与压力释放装置、通风系统等8个因素强关联,氢火灾与螺栓、自燃等9个因素强关联,氢爆炸与制氢、电火花、压缩机等5个因素强关联。

基于优化Apriori算法的印刷检测数据关联分析

为了解决印刷企业的印刷缺陷检测问题,采用优化Apriori关联分析挖掘方法,从而找出印刷缺陷检测数据之间的关联。首先,搭建印刷工厂管理与印刷数据采集系统;其次,优化Apriori算法的运行效率;最后,进行关联分析得出生产数据之间的关联规则。实验表明,该方法在印刷缺陷检测数据的分析中具有可行性,对降低印刷缺陷率有着重要的指导作用。

基于Apriori算法的学生成绩关联规则挖掘

随着信息技术的不断变革与发展,数字化技术正在逐步融入人类社会,影响社会的各个方面,并成为社会演进和经济增长的新助力。成绩数据是一项重要的信息资源,通过运用先进的数据分析技术对其进行分析,对促进学校的全面持续发展具有非常重要的作用。关联规则是一种简单、容易理解且很实用的数据挖掘方法,挖掘数据中存在的关系和规则,即发现课程之间的关联关系,不仅可以提高教学管理效率,还可以帮助教师对现有的教学方式和方法进行改革,从而不断提高教学质量,满足学生的学习需求。

Online-Apriori算法的设计与研究

针对Apriori算法在发现关联规则时需要频繁扫描数据库以及数据库实时更新的现状,提出一种Online-Apriori算法。通过实验对比分析发现,Online-Apriori算法具有以下优点:(1)与Apriori算法相比,该算法通过以二进制位编码方式存储的新增频繁1项集所在行数扫描特定事务,在计算支持度时减少扫描事务的个数。此外,用二进制位编码形式存储行数,比直接存储行数更加节省内存空间。(2)与属性增量关联规则算法(ACA+)相比,当候选项集很多时,该算法大大减少剪枝判断的次数,降低候选项集的生成复杂度,大大缩短运行时间。

基于改进Apriori算法的智能电网安全稳定控制装置缺陷关联性分析

智能电网安全稳定控制系统作为电力系统的“第二道防线”,对其稳控装置进行缺陷异常分析是保证电网稳定运行的基础。文章提出一种基于改进Apriori算法的智能电网安全稳定控制装置缺陷关联性分析方法。采集稳控装置缺陷数据,量化编码后导入改进Apriori算法,通过计算支持度和置信度,分析稳控装置的缺陷特征和影响因素以及各模件之间的关联关系。所提方法能高效实现对稳控装置缺陷的关联分析及溯源,为运维人员预防性检修及故障检修提供理论依据,算法的改进也有效降低了时间复杂度,节约了内存空间。以实际智能电网稳控装置缺陷数据仿真算例对该方法的有效性进行了验证。

基于Apriori的离心式压缩机故障影响因素分析

离心式压缩机随着在役数量和服役年数的增加,故障率也逐渐上升,利用数据挖掘等方法可以建立压缩机故障模型,有效降低压缩机的故障率。文章利用5M1E分析法对某管线离心式压缩机的故障记录进行分析处理,再通过Apriori算法筛选压缩机故障的影响因素,定量分析出各影响因素间的关联规则,发现了压缩机元件老化程度和压缩机元件性能下降程度这两条强关联规则,为后续压缩机管理提供科学参考。