数据挖掘技术是当今智能系统理论的重要研究内容,它综合运用了人工智能、模式识别、数理统计等技术从大量数据中挖掘发现有价值和隐含的知识。机房动力环境监控系统实现了对通信机房电源、蓄电池、空调、门禁、图像的全面监控和管理。随着通信技术的快速发展,通信机房动力环境监控系统的监控数据量越来越大,其中产生了大量的异常信号,动力环境监控系统必须及时甄别出主要的异常信号,才能保障通信机房的正常运行。本文以通信机房动力环境监控系统为背景,阐述了其研究意义与国内外发展现状,介绍了通信机房动力环境监控系统的设计方案,运用了开源的数据挖掘工具Weka,以动力环境监控系统中的主要核心设备空调机组和不间断电源UPS为研究对象,实现对空调机组关联规则的挖掘和UPS的故障预测。首先,本文运用Apriori算法对动力环境监控系统中的空调机组的工况数据进行数据挖掘,利用频繁项集的先验性,实现算法的快速收敛。通过设置支持度和置信度阈值,形成基于频繁项集的关联规则。所形成的关联规则对空调机组的故障预测具有一定的参考意义。然后,介绍了随机森林算法的原理,它是一种基于Bagging改进的分类算法,利用若干个相互独立的决策树分类器进行集中学习,最终通过投票(加权)得到分类预测结果。最后,本文运用随机森林算法对UPS进行故障分类预测。由于UPS的监控日志数据属性维度很多,选择合适的分类算法尤为重要。文本同时利用决策树CART(Classification And Regression Tree,CART)算法和支持向量机SVM算法与随机森林分类算法进行性能比较,通过受试者工作特性曲线(receiver operating characteristic curve,ROC曲线)中的AUC(Area under ROC,AUC)值的大小进行比较,体现随机森林算法在分类预测UPS这种多维属性特征数据时具有独特的优势。