并行H-mine算法在智慧校园学生行为分析中的应用

基于智慧校园中的学生数据,在Spark平台建立了并行H-mine算法,以此用于数据频繁项集的挖掘以及学生数据中学生行为的分析。研究结果显示,相比于MRH-mine算法,数据量无论是10568条还是5284000条,随着数据量的增加,在运行时间上并行H-mine算法总是低于MRH-mine算法,优化效果更为显著,性能较为优良。同时当最小支持度为0.1时,利用此次算法中的频繁项集对学生行为加以分析,由此并行H-mine算法应用在动态的校园学生数据处理上具有有效性与可行性。

基于改进H-mine算法的内河航标事故关联规则挖掘

针对内河航标事故致因关联规则数据挖掘问题,根据内河航标事故数据集事务数较少但多维多层的特点,设置算法遍历约束改进了H-mine算法,实验测试表明:改进算法可提高运算速度20%以上。同时,以长江干线航道武汉段航标事故数据为算例,开展了关联规则挖掘研究,揭示了长江干线武汉段航标事故特点与成因,验证了算法的有效性,并提出了预防航标事故的建议。