基于特征分箱和K-Means算法的用户行为分析方法

针对网购用户所产生的购物行为进行分析,首先通过数据处理构建客户关系管理模型(RFM模型),在此模型的基础上采用特征分箱法和K-Means聚类两种方法对用户进行细分,并对2种模型结果进行比较分析,讨论二者的差异性和具体的应用范围和意义.其中,基于特征分箱法的RFM模型将变量转化到相似的尺度上并将变量离散化,使得用户分类标签更加清晰,也可依据各类标签分类出不同类型的用户.K-Means算法通过轮廓系数评估聚类算法质量以至于选取最优K值.本文实验分析结果可为运营商提供更加可靠直观的数据,使得运营商可以根据不同用户的不同行为进行市场细分,进而进行精准营销和服务设置.

基于K-means算法的在线学习行为聚类研究

在线学习是近年来随着互联网的发展而逐渐兴起的一种学习方式,它的便捷性和丰富的学习资源吸引了越来越多的学习者。随着在线学习平台日益普及,海量的用户数据也随之产生。如何从这些数据中提取有价值的信息,促进教育教学质量提升是当前值得思考的重要课题。文章介绍了基于K均值聚类算法(K-means Clustering Algorithm,K-means)的在线学习行为聚类分析方法,为在线学习平台提供了重要的数据分析和应用支持,帮助教师及平台管理者及时调整教学模式和教学策略,以提升学习者的在线学习效果。

MEAN BEHAVIOR OF THREE DIMENSIONAL LINE BUOYANT JETS IN CROSS FLOWS

This paper presents the results of a numerical calculation on the meanbehavior of finite length line buoyant jets from slot with width B , discharged perpendicularly intorelatively deep cross-flows in the mixing region. The length of diffuser was varied from 4 to 20times the width of diffuser. The calculations were performed with the standard K-ε model and HybridFinite Analytic Method (HFAM) with staggered grid. The phenomenon and development of vortex pairsare simulated successfully and the influence of diffuser length and buoyant on turbulent buoyantjets are analyzed.

基于K-means++的轨道交通异常出行乘客分类研究

为聚焦轨道交通乘客主要出行规律,需在利用交通大数据做研究时明确异常数据和正常数据之间的界限,当研究主题、研究深度和精度要求不同时,对异常出行群体数据的接受程度也会相异。文中基于大都会二维码数据识别存在异常出行的乘客,引入K-means++聚类算法对异常出行乘客进行分类研究,并构建异常得分指标评价不同群体异常程度。聚类结果表明,将异常乘客分为5类时效果最佳。结合异常乘客出行指标、异常得分、群体占比和周出行平均频次四个角度分析群体特征,并针对性提出相应群体的数据剔除建议,以保证研究中样本的多样性和结论可靠性。

基于一种改进的K-means算法的校园网用户行为分析研究

随着师生对网络流量需求的迅速增长,如何合理的增加用户的流量,既能满足用户的基本上网需求,又能合理利用出口带宽。本文基于一种改进的K-means聚类算法,以校园网用户的行为特征为对象进行聚类,为优化用户计费策略和合理的分配出口带宽提供了数据依据,为校园网用户个性化需求方面提供理论依据。

基于大数据下K-means聚类算法的在线学习行为路径应用研究

大数据在混合式教学分析中的应用愈来愈多.本文论述聚类方法K-means算法的基本思想,利用Kmeans聚类算法对学生在线学习行为路径采集数据进行聚类分析,得到学生在线学习的行为路径,挖掘大数据下的学生学习行为习惯,从而为教师进行混合式教学带来参考信息.

驾驶员避撞转向行为的改进K-means聚类与识别

本文中根据不同工况驾驶员转向行为数据,提出了基于驾驶员避撞转向行为特征的聚类算法。首先搭建驾驶模拟器,采集了定半径转向、常规换道和紧急避撞转向工况下的驾驶行为数据,通过对比正常行驶和紧急避障工况下驾驶员转向行为数据,定性分析了紧急避撞转向特点。之后,利用皮尔逊相关系数法分析了描述驾驶员转向行为的观测变量与紧急避撞转向行为的相关性,得出转向盘转速与转向工况的相关性最高。接着,以转向盘转速作为聚类特征参数,利用改进K均值(K-means++)聚类方法对转向行为数据进行了聚类,将转向行为划分为正常转向和紧急避撞转向,实现了紧急避撞转向工况的识别。最后,通过实车试验验证了所提出的紧急避撞转向行为K-means++聚类方法可有效识别驾驶员紧急避撞转向行为,聚类精度达96.7%。

基于多视角二分k-means的高校图书馆用户画像研究

针对高校图书馆无法实现精准读者推荐和服务的问题,在充分分析读者在图书馆的行为数据基础上,设计了一种基于多视角聚类的高校图书馆用户画像框架。考虑到经典k-means算法在多视角聚类中存在容易陷入局部最优的缺陷,提出了一种基于马氏距离的多视角二分k-means算法,该算法引入马氏距离有效地解决了欧式距离在多视角聚类中受属性量纲的影响。实验证明:相比经典k-means算法和二分k-means算法,改进后的算法在用户画像过程中全局最优、鲁棒性好、效率高;利用该框架得到的用户画像能够帮助高校图书馆挖掘读者需求、提高服务水平。

基于K-means和naive Bayes的数据库用户行为异常检测研究

针对数据库用户行为异常导致数据库泄露问题,提出了一种基于K-means和naive Bayes算法的数据库用户异常检测方法。首先,利用数据库历史审计日志中用户的查询语句与查询结果,采用K-means聚类方法得到用户的分组;然后,使用naive Bayes分类算法构造用户异常检测模型。与单独使用naive Bayes分类法构造的模型相比,在数据预处理时其精简了用户行为轮廓的表示方法,降低了计算冗余,减少了81%的训练时间;利用K-means聚类方法得到用户组别,使检测的精确率提高了7.06%,F 1值提高了3.33%。实验证明,所提方法大幅降低了训练时间,取得了良好的检测效果。

基于K-means算法的中国移动市场顾客行为细分策略研究

分析了中国移动市场现状和顾客行为分析中的问题 ,结合K means算法和顾客行为细分方法 ,提出基于K means算法的中国移动市场动态顾客行为细分模型 ,并结合具体案例 ,进行了实证研究。

基于K-means聚类算法的校园网用户行为分析研究

利用数据挖掘相关技术,针对后台计费服务器的数据库,基于K-means算法以校园网用户行为特征为对象来进行聚类分析,提出了几个校园网用户行为分析的模型。此类模型为校园网管理者在制定有效管理策略,满足校园网用户个性化需求方面提供理论依据。

基于K-MEANS聚类的电商网站用户行为分析

调整网站访问日志数据,从中提取用户访问各类页面次数,考虑类别化的变量组合方式,采用K-MEANS聚类对类别化的变量进行聚类分析,理解各类别特征,描述用户行为,分析各类别与输出结果的关联性,并为制定网站经营策略提供支持和参考依据.实证研究表明,对页面访问次数占比进行K-MEANS聚类分析,可以明确各类型页面与输出结果之间的关联性.

家庭关怀度和生命意义感在慢性心力衰竭患者恐惧疾病进展与自我管理行为间的链式中介作用

目的探讨家庭关怀度和生命意义感在慢性心衰患者恐惧疾病进展与自我管理行为间的中介作用。方法采用便利抽样法,选取2023年5-9月就诊于大连医科大学附属第一医院的慢性心衰患者作为研究对象,采用一般资料调查表、恐惧疾病进展简化量表、家庭关怀度指数量表、生命意义感量表和心力衰竭患者自我管理量表进行调查,并进行相关数据分析。结果慢性心衰患者的恐惧疾病进展总分为(28.77±8.45)分,家庭关怀度总分为(7.12±2.44)分,生命意义感总分为(39.75±12.32)分,自我管理行为总分为(109.20±14.63)分。相关分析结果显示:慢性心衰患者恐惧疾病进展、家庭关怀度、生命意义感、自我管理行为两两显著相关(P<0.01)。中介效应分析结果显示:家庭关怀度、生命意义感在恐惧疾病进展与自我管理行为间链式中介作用显著,中介效应为-0.219,中介效应占比49.55%。结论恐惧疾病进展是慢性心衰患者自我管理的重要影响因素,家庭关怀度和生命意义感在其中起链式中介作用,未来可通过加强患者家庭关怀度,挖掘个人生命意义感以减轻疾病进展恐惧对自我管理行为的影响。

基于K-Means和SEM的消费者互联网保险购买意愿研究——以TPB和TAM为分析框架

"互联网+"正颠覆和重塑着中国经济格局,互联网保险借势兴起并酝酿一场"现象级"热潮。消费者的购买意愿是进一步挖掘互联网保险市场潜力的直接推动因素,以消费者的视角研究互联网保险,合理引导消费者作出购买决策对于互联网保险的发展具有十分重要的意义。以ZH财险的互联网车险客户数据和问卷调查数据进行实证分析,运用K-Means聚类技术完成客户细分,并综合TPB和TAM理论构建消费者互联网保险购买意愿新模型,运用结构方程验证该模型。基于研究结论,为互联网保险经营发展提出针对性建议。

基于因子分析与K-means聚类耦合的分时保费定价方法研究

传统车险定价基于"一人一车"前提,与租赁汽车所有权与使用权分离的运营模式冲突。为了解决租赁汽车分时保费的定价问题,研究了基于驾驶员行为的费率因子分级设计方法。首先,采用因子分析法提取驾驶行为因子,以方差贡献率的加权均值作为权重,设计了驾驶员综合风险评价因子S;然后,以S为聚类指标利用K-means聚类算法实现对驾驶员风险的自动分级,进而为分时保费费率因子的分级提供依据;最后,以某大型租赁公司所提供的19位驾驶员实车数据作为样本,结合某保险公司所提供的违章及出险事故数据,证明了该方法的可行性与有效性,该方法可为以人为中心的车险保费定价提供积极的理论参考。

基于K-means聚类算法的群体机器人聚集队形控制

针对未知环境下的群体机器人形成聚集动态队形的问题进行研究,分析了群体机器人运动控制策略,将K-means聚类算法与复合机体结构队形控制策略相结合,确定群体机器人聚类中心;个体机器人根据局部感知自主产生队形控制行为矢量,奔向目标,躲避障碍物;产生四种行为控制参数,确定机器人运动速度大小及方向;聚集成为圆形并排列成为三角形队形。仿真实验表明了K-means聚类算法与复合机体结构控制策略相结合的可行性和有效性。

基于XGBoost算法的商用车驾驶风险辨识模型

驾驶员作为交通事故的重要诱因,其一系列风险驾驶行为对道路交通安全具有重要影响。针对当前驾驶风险等级分类不合理、辨识精度低等问题,提出一种商用车驾驶风险辨识模型。即首先从车辆状态、驾驶状态、驾驶员操作三个方面,共建立18个能够表征商用车驾驶风险的特征参数;采用因子分析法(FA)对特征参数降维优化,并生成蕴含更为明确风险驾驶行为信息的综合变量;接着应用K-means聚类算法分别将风险驾驶行为特征聚为2、3和4类并对比分析,结合肘部法则和轮廓系数综合确定最佳的聚类数目k,消除人为经验确定k值主观性强的缺陷;最后,利用极端梯度提升(XGBoost)算法对商用车驾驶风险进行识别,并与决策树、随机森林、K近邻等算法在精度上进行比较。研究结果表明:在上述研究条件下XGBoost算法对商用车驾驶风险的理论识别率最高可达98%,该结果对于自动驾驶辅助系统的设计、道路交通安全性的提升具有重要意义。

应用K-means算法分析校园网用户行为

以安徽城市管理职业学院的网络用户为例,通过校园网管理平台获取的大量网络用户行为数据,采用K-means算法建立用户行为数据挖掘模型,挖掘得出聚类结果,然后基于分析结果,对校园网的管理平台进行新的配置,使校园网运行更加合理,从而提供更加快捷平衡的网络服务。

基于K-means聚类分析算法的大学生在线学习行为分析

本文利用基于Python平台的机械学习算法库scikit-learn提供的无监督学习的机械学习算法K-Means聚类分析模型,对在学习通平台上进行在线学习的学生产生的学习行为数据进行聚类分析.通过对学习行为数据的抽取、清洗、转换和K-means模型的训练,最终将在线学习的学生分为4种类型的学习者,并且给出每名在线学习学生的学习者类型.本文重点分析了每种类型学习者的线上学习行为数据,结合教师实践教学经验对4种类型的学习者的学习行为特征进行分析和总结,并针对每种类型在线学习者的学习行为特征制订了科学、合理和个性化的教学方案,有效提升了学生的在线学习效率,也为疫情结束后有针对性地制订个性化、合理、有效的线下教学方案提供了决策依据.

几类新型中值定理中值点的渐近性

研究几类新型中值定理中值点的渐近性,利用比较函数和引理,在一定条件下,建立了几类新型中值定理中值点更广泛的渐近估计式,所得结果推广和改进了有关文献中的相应结果。