论文部分内容阅读
关联规则挖掘经过十几年的发展，取得了丰硕成果。其中的布尔关联规则挖掘是关联规则挖掘中研究比较多的一种。通过数据离散化和符号化，把时间序列数据转换为布尔型数据，从而使时间序列数据成为适合布尔关联规则挖掘的数据源。股票价格是典型的时间序列数据。随着我国股票市场进入新的发展时期，对股票市场的分析对我国的经济发展有着更加重要的意义。本文对布尔关联规则算法进行了研究，把研究成果应用在股票价格分析中。研究的工作、成果主要体现在以下三个方面：
在IODLG算法的基础上生成一种改进算法：DLG*算法。通过对IODLG算法的搜索策略进行改进，将IODLG算法与Apriori性质相结合，构造了DLG*算法。通过实验证明DLG*算法比IODLG算法更适合长频繁项集的挖掘。
在DLG算法、DMFI算法、MAFIA算法的基础上生成一种改进算法：M-DLG算法。将DLG算法的存储策略、MAFIA算法深度优先的搜索策略和DMFI算法的宽度优先的搜索策略相结合，构造了M-DLG算法。通过实验证明M-DLG算法比MAFIA算法和DMFI算法在运行效率上有了一定的提高。
把布尔关联规则挖掘应用在股票价格分析中。针对股票价格特点，开发了一个简单的股票价格分析系统原型，工作集中在数据预处理和算法实现上。以实际的股票价格数据进行了实验，实验表明该系统原型对股票价格分析是有效的。