关联规则和序列模式算法在入侵检测系统中的应用

将关联规则算法与序列模式算法应用于入侵检测系统中,介绍了将扩展的关联规则Apriori算法与序列模式GSP算法相结合,挖掘原始审计数据中频繁模式的过程,并实现了这两种算法在入侵检测中的应用.     

全国极端气温事件的空间关联模式挖掘研究

根据全国739个气象台站1961年1月至2005年12月的逐日气象数据记录建立时空序列数据集,提取极端高温事件和极端低温事件。结合传统关联规则挖掘技术和地理空间数据分析方法,对极端气温事件数据集进行了空间关联模式的分析。实验结果显示,所得空间关联模式中涉及的区域在空间上具有明显的聚集性;在东北、华中两个局部地区的台站中,极端气温事件的发生存在较强的关联规则(支持度阈值6%,置信度阈值95%),而在其他区域的台站中,极端气温事件不存在类似的关联规则,且极端高温事件的关联规则数量要明显高于极端低温事件。对存在关联规则的台站进行空间分析发现,同一关联规则内的各台站具有空间邻近性,其邻近范围约为200 km。以上空间关联模式的挖掘分析,可以为我国极端气温事件的预警和防控提供有价值的参考。     

数据空间自相关性对关联规则的挖掘与实验分析

传统的空间关联规则挖掘,一般足使用属性关联规则的挖掘算法,对空间数据进行泛化处理,不考虑空间数据的空间自相关性,也没有考虑空间自相关与空间关联规则的关系.本文运用改进的Apriori算法对某一数据进行空间关联规则挖掘,并对同一数据进行空间自相关分析,比较两种方法反映的属性的相关性,探讨了数据的空间自相关性对空间关联规则...     

Web环境下地学数据共享用户行为模式分析

了解科学数据共享用户行为特征对实现高效、精准的数据共享服务具有重要的参考意义。本文基于国家地球系统科学数据共享平台网站服务器日志及服务记录数据,利用空间数据挖掘及Web使用挖掘技术,探索地球系统科学数据共享用户行为模式。在数据预处理阶段,完成用户识别、会话识别、位置识别,并对数据进行空间建模、空间数据库建库。在数据挖掘阶段,分别对用户产生的网页浏览数、会话数、数据集浏览数为对象进行空间“热点”分析,识别用户行为的地域差异。针对用户数据浏览和下载行为,采用FP-growth算法对用户——数据之间进行关联规则挖掘,发现用户对数据关注和使用的高频规律。分析结果表明：（1）该共享平台用户地在国内各省市均有分布,用户最多的3个省（市）分别为北京市、山东省、江苏省,该分布与国内高校学生分布相关程度不高,但与“211工程”高校学生的空间分布相关度较高;（2）空间“热点”分析表明,北京、天津及河北北部无论在网页浏览、数据浏览还是会话量上都是“热点”区域,但识别的“冷点”区域有较大不同,尤其是数据访问“冷点”分布较广,如南方沿海省份、河南省、山东省、四川省等;（3）关联规则挖掘发现多个数据浏览高频项目集以及关联规则。数据下载高频项与数据浏览高频模式较好吻合,但下载行为未表现出明显关联规则。本文提供了一种结合Web使用挖掘和空间数据挖掘的用户行为模式挖掘方法,该方法也可用于其他类型网站的数据挖掘。     

关联规则挖掘在卷烟市场研究中的应用

应用基于Apriori算法的关联规则挖掘技术对一次卷烟市场调查得到的数据进行分析，找出其中的关联规则，作为正确决策的基础。     

基于福州市交通违法数据的时空关联规则挖掘研究

在文明交通的时代背景下,公众对其文明出行、减少交通违法行为的关注度越来越高,研究交通违法行为规律既能减少城市交通违法行为的发生,也能从源头减少交通事故的发生。对福州市2018年交通违法数据按照福建省交通违法扣分相关标准进行分类,利用分类后的数据进行时空关联规则挖掘,得到数据中隐含的规律信息。通过FP-growth算法结合交通违法地址、时间、天气和违法种类进行时空多维数据关联规则挖掘。结果表明:福州市交通违法行为主要聚集在城区和福清市,且上午比下午和晚上更容易发生交通违法行为,受天气影响较小,大多数交通违法行为都是在多云天气下发生;关联规则挖掘在满足最小支持度和置信度下,共挖掘出福州市19处交通违法地址和11种交通违法行为。     

改进关联规则算法在自然资源云中的应用研究

针对自然资源信息管理分散、网络安全防御能力弱,以及难以追踪溯源威胁攻击行为等问题,本研究在自然资源云中建立了一套安全防护体系,用以整合网络安全资源,强化网络安全态势感知能力,做到攻击敏捷预测、快速回溯。安全防护体系工作效能的提升,核心在于其安全组件检测引擎模块中关联规则算法的改进。首先,在数据采集阶段,通过预处理将威胁告警数据转换为可供机器处理的标准数据格式;其次,在矩阵计算阶段,使用Map Reduce分布式计算框架提升频繁项集的处理效率;最后,以Apriori算法为蓝本,通过单次扫描锁定频繁k项集范围、矩阵向量内积运算、减少冗余候选项集生成三项措施进行算法改进。实验仿真表明：在处理同样容量网络安全多源数据集合,并在相同维度的关联规则矩阵下,本算法处理效率较经典Apriori算法提升3倍以上;随着输入数据集合瞬时容量的逐渐扩增,本算法的时间复杂度稳定,并为增量挖掘算法的一半以下。研究成果可以实现自然资源部网络安全防护工作从传统的“被动挨打”转向“主动防御”的新局面。     

基于Weka的地震数据挖掘系统的设计与实现

基于开源的数据挖掘系统Weka，使用Java语言及面向对象的思想，设计并实现了地震数据挖掘系统。根据地震数据资料的特点，将数据挖掘的核心技术（聚类分析、关联规则分析等）引入到该系统中，其中聚类分析选用DBSCAN作为核心算法，关联规则分析选用Apriori作为核心算法。用户使用该系统只需在交互界面选择相关参数，即可实现调用数据挖掘算法来分析地震数据，发现探索其隐含规律。     

加权关联规则的改进算法

关联规则挖掘在许多领域已有广泛的应用,目前存在许多发现关联规则的算法,但这些算法都认为项目对规则的重要性相同.然而在现实中各个项目的重要性往往不同,决策者往往优先考虑利润较高的项目,而忽略利润较低的项目.分析现有的加权关联规则存在的问题,提出了一种新的加权关联规则模型.     

基于模糊关联规则的NCRE数据分析

在对NCRE数据进行预处理的基础上。通过定义模糊事物数据库．将模糊集与经典关联规则算法结合起来，提出了一种模糊关联规则的数据挖掘算法，将其应用于NCRE数据分析，收到了较好的效果。     

基于周期表的时空关联规则挖掘方法与实验

地理现象的周期性往往掩盖了许多地学规律,这也是地学数据挖掘的一个主要内容.本文以周期表设计了一种时空层次关联规则挖掘方法--PRules-Miner.模型利用周期表的表现形式对时空数据进行组织,并通过两步挖掘过程发现具有"遥相关"地理事物间的变化模式.模型算法分为3个步骤:(1)过滤周期表内无序数据:逐行地提取多周期内...     

海陆气候事件关联规则挖掘方法

近年来,异常气候事件的频发对人类的生活环境和经济发展带来严重负影响。气象学家研究表明：海洋气候异常对陆地气候异常事件的发生具有重要的诱发作用,因此,对海陆气候间的内在关联机制进行深入挖掘具有重要研究价值。本文提出了一种关联规则挖掘方法,以探索单一海洋气候指数与陆地异常气候事件间存在的关联。首先,针对陆地气候要素,采用顾及空间邻近关系的层次聚类方法进行有效气候分区,通过对各层分区结果进行相关统计分析得到有效的各区域气候序列;然后,进行顾及多重约束进行时序关联规则挖掘,以探索海陆气候要素间的关联机制;最后,通过实际算例分析得到的各气候指数与我国陆地区域异常降水事件间的关联机制结果,与实际情况高度吻合。     

匿名集序列规则与转移概率矩阵的空间预测和实验

随着位置服务（Location Based Service,LBS）的广泛应用,隐私保护成为LBS进一步深入发展亟待解决的问题,时空K-匿名成为一个主流方向。LBS应用服务器存储用户执行连续查询生成的历史匿名数据集,分析大时空尺度历史的匿名数据集,空间预测可以实现LBS应用的个性化服务。本文提出了一种融合概率统计与数据挖掘2种典型技术——马尔科夫链与序列规则,对匿名数据集中包含的特定空间区域进行预测的方法。方法包括4个过程：（1）分析序列规则、马尔科夫过程进行预测的特点;（2）以匿名数据集序列规则的均一化置信度为初始转移概率,构建n步转移概率矩阵;（3）设计以n步转移概率矩阵进行概略空间预测的方法,以及改进的指定精确路径的空间预测方法;（4）实验验证方法的性能。结果证明,该方法具有模型结构建立速度快、精确空间预测概率与真实概率的近似度可灵活调节等优点,具有可用性。     

基于模糊关联规则的NCRE数据分析

在对NCRE数据进行预处理的基础上,通过定义模糊事物数据库,将模糊集与经典关联规则算法结合起来,提出了一种模糊关联规则的数据挖掘算法,将其应用于NCRE数据分析,收到了较好的效果。     

A new method based on association rules mining and geo-filter for mining spatial association knowledge

Association rule mining methods, as a set of important data mining tools, could be used for mining spatial association rules of spatial data. However, applications of these methods are limited for mining results containing large number of redundant rules. In this paper, a new method named Geo-Filtered Association Rules Mining(GFARM) is proposed to effectively eliminate the redundant rules. An application of GFARM is performed as a case study in which association rules are discovered between building land distribution and potential driving factors in Wuhan, China from 1995 to 2015. Ten sets of regular sampling grids with different sizes are used for detecting the influence of multi-scales on GFARM. Results show that the proposed method can filter 50%–70% of redundant rules. GFARM is also successful in discovering spatial association pattern between building land distribution and driving factors.     

关联规则挖掘在汽车营销决策中的应用研究

通过对汽车销售历史数据进行概化和总结,给出关联规则挖掘算法,并针对具体的事例加以分析,进行各个客户购买属性之间的关联规则的挖掘.可以有效地发掘顾客购买行为和汽车属性之间蕴藏的内在联系.此模型可以用于辅助汽车营销决策.