基于FP-tree频集模式的FP-Growth算法对关联规则挖掘的影响

通过对两个有代表性的算法Apriori和FP-Growth的剖析,说明频集模式挖掘的过程,比较有候选项集产生和无候选项集产生算法的特点,并给出FP-tree结构的构造方法以及对挖掘关联规则的影响,提出了对算法的改进方法.

基于FP-Growth算法构造批量增量的FP-tree

提出了一种利用FP树表示增量数据库,然后进行增量挖掘的方法,即IA_FP-Growth算法.算法重构和合并两个小的时间上连续的FP树,以获得由FP-Growth算法生成的FP树.与其他从数据库读取事务的顺序增量算法不同,IA_FP-Growth算法使用原FP-tree作为预处理数据库来获取项目集,因此其花费较少的时间来构建新的增量FP-tree项目.实验结果表明,随着数据库大小的增加,IA_FP-Growth的运行时间的增加要少得多,而且与其他算法比较也是最少的.

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-tree的新能源汽车产业国际竞争力影响因素关联挖掘算法

为充分挖掘新能源汽车产业国际竞争力影响因素、探究价值增长点,提出了基于FP-tree的影响因素关联挖掘算法。通过构建国际竞争力各指标影响因素的关联规则,分析任意事务数据集中的关联数据,利用最小支持度参数minsup按照从上到下的方式搜索,确定最长的频繁项目集,采用FP-tree关联频繁项目集,设定分支关联性挖掘标准,实现了新能源汽车产业国际竞争力影响因素的挖掘。测试结果表明,设计算法的最小支持度和数据关联挖掘时间较短,置信度分析具有较高的稳定性。

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。

基于关联分析FP-Tree算法的企业风险信息数据在线挖掘方法

现阶段的数据挖掘方法缺少对数据关联分析的过程,挖掘效果较差,故文章提出基于关联分析频繁模式树(FrequentPattern Tree, FP-Tree)算法的企业风险信息数据在线挖掘方法。选取与企业风险相关的信息指标,收集有关数据并进行预处理操作后,设计一种考虑关联分析的FP-Tree算法,生成FP-Tree节点的条件模式树挖掘频繁项集,计算满足最小置信度的频繁项集,实现企业风险信息数据在线挖掘。实验结果表明,所用方法挖掘量和挖掘效率较高。

基于磁盘表存储FP-TREE的关联规则挖掘算法

随着现实待挖掘数据库规模不断增长,系统可使用的内存成为用FP-GROWTH算法进行关联规则挖掘的瓶颈.为了摆脱内存的束缚,对大规模数据库中的数据进行关联规则挖掘,基于磁盘的关联规则挖掘成为重要的研究方向.对此,改进原始的FP-TREE数据结构,提出了一种新颖的基于磁盘表的DTRFP-GROWTH(disk table resident FP-TREE growth)算法.该算法利用磁盘表存储FP-TREE,降低内存使用,在传统FP-GROWTH算法占用过多内存、挖掘工作无法进行时,以独特的磁盘表存储FP-TREE技术,减少内存使用,能够继续完成挖掘工作,适合空间性能优先的场合.不仅如此,该算法还将关联规则挖掘和关系型数据库整合,克服了基于文件系统相关算法效率较低、开发难度较大等问题.在真实数据集上进行了验证实验以及性能分析.实验结果表明,在内存空间有限的情况下,DTRFP-GROWTH算法是一种有效的基于磁盘的关联规则挖掘算法.

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。

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。

MAXFP-Miner:利用FP-tree快速挖掘最大频繁项集

为提高频繁项集的挖掘效率,提出了最大频繁项集树的概念和基于FP-tree的最大频繁项集挖掘算法MAXFP-Miner.首先建立了FP-tree,在此基础上建立最大频繁项集树MAXFP-tree,MAXFP-tree中包含了所有最大频繁项集,缩小了搜索空间,提高了算法的效率.算法分析和实验表明,该算法特别适合于挖掘稠密型及具有长频繁项集的数据集.

FP-Growth算法在购物篮分析研究中的应用

频繁项集的挖掘过程中，在最小支持度较小的情况下，候选集的产生是算法的主要耗时操作。FP-Growth算法不用产生候选集，将提供频繁项集的数据库压缩到一棵频繁模式树（或FP-Tree），利用FP-Tree挖掘出频繁项集。为了进行购物篮分析，根据FP-Growth算法的理论，运用VC＋＋程序开发工具，对数据进行频繁项集挖掘，针对挖掘得到的频繁K项集，对比实验数据指导超级市场将可能同时卖出的商品摆放在一起。

基于FP-Tree的共享前缀频繁项集挖掘算法

在数据挖掘中发现关联规则是一个基本问题,而发现频繁项集是关联规则挖掘中最基本、最重要的问题。提出了基于FP-Tree的共享前缀频繁项集挖掘算法-FP-SPMA算法。构造FP-Tree来压缩事务数据库,通过共享前缀和前瞻剪枝快速减小候选项集,无需递归构造条件模式树,算法性能有明显的提高。

一种基于FUP的TD-FP-Tree并行快速更新算法

TD-FP-Growth是对经典关联规则挖掘算法FP-Growth算法的改进,它采用新的数据结构TD-FP-Tree。人们已经基于Apriori和FP-Growth算法提出了多种关联规则增量挖掘算法。文中讨论了在基于TD-FP-Tree的结构上如何进行增量挖掘,对批量挖掘算法的瓶颈进行分析,指出加快更新速度的策略。文中基于FUP思想提出了TD-FP-Tree的快速更新算法,重点研究了当有单个项在新增事务加入后由非频繁变为频繁时TD-FP-Tree的处理情况。通过将项分类处理降低更新时间,并部分采用并行处理进一步提高效率。实验表明,文中提出的算法不仅可以快速更新TD-FP-Tree,而且在同基于FP-Tree结构的增量挖掘对比中也有更好的表现。

基于FP-tree和支持度数组的最大频繁项集挖掘算法

提出了一个基于频繁模式树即FP-tree和支持度数组相结合的最大频繁项集挖掘算法,首先建立FP-tree,同时建立支持度数组,然后在此基础上建立最大频繁项集树MAXFP-tree,MAXFP-tree中包含了所有最大频繁项集,缩小了搜索空间,提高了算法的效率。算法分析和实验表明,该算法对稠密型数据集和稀疏型数据集均适用,并且特别适于挖掘具有长频繁项集的数据集。