动态关联规则是数据挖掘领域中非常重要的研究方法之一,是一种能描述自身特性随时间变化的关联规则。关于动态关联规则挖掘,本文做了以下工作:本文在相关理论研究的基础上,首先,结合时间序列分析中自回归求和滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA),对动态关联规则的元规则支持度计数建立模型,实验结果显示,构建的ARIMA(2,2,1)模型对支持度计数序列拟合效果较为精确,并且能够将序列相对误差控制在6%以内。其次,在此基础上结合灰色GM(1,1)模型,提出ARIMA-GM组合模型,并对元规则支持度计数建立ARIMA-GM模型,实验结果显示,该模型的拟合曲线不仅能反映序列的整体趋势,还能充分考虑序列的细节变化,且ARIMA-GM模型因综合单项模型的优点而表现出更高的拟合精度,能将序列的相对误差控制在4%以内。最后,文章针对SQL Server数据库中某大型超市在线销售数据,借助动态关联规则算法挖掘出数据之间隐藏的关联规则,根据给定的支持度、置信度的阈值,找出频繁项集,挖掘出有价值的规则,并用文章提出的ARIMA-GM对元规则的支持度计数进行建模分析。综上,本文重点对动态关联规则的元规则进行建模研究。利用ARIMA模型、GM(1,1)模型以及构建的ARIMA-GM组合模型依次对元规则的支持度计数进行建模,并验证模型的合理性以及最优性,结果显示提出的ARIMA-GM模型能够更好地反映元规则支持度计数序列的变化趋势,进而帮助商家制定合理有效的销售策略。