伴随着近年来房价的大幅上涨,人群受购买力限制的影响越来越大,选择租房来住的人群越来越多,我国的房屋租赁市场规模将越来越大,所带来的商机也将越多。由于每天更新发布的租房信息数据量巨大,租房数据信息中包含的信息较多,且只能看到近期发布的租房数据,无法直接观察出这些数据背后隐藏的规律,发掘出数据背后的潜在价值。本文基于数据挖掘技术对贝壳找房网站2019年全年发布的昆明市呈贡区租房数据进行分析研究,挖掘出租房数据信息中的规律和价值,为租客和商家提供具有现实意义的研究分析。本文主要从下面两个方面对昆明市呈贡区的租房数据进行挖掘分析研究:租房数据时空聚类分析研究。租房数据中包含发布时间、地理位置信息和属性特征,本文针对租房数据的数据特点,构建了ST-DBSCAN租房数据聚类分析模型。首先,针对ST-DBSCAN算法存在的阈值设定依靠人为经验来确定的不足,提出了新的基于距离频数的阈值设定方法。通过数据仿真实验验证了新提出的阈值设定方法可以提高聚类的精度,且能够识别出部分低密度的数据簇,得出更加准确的聚类结果。其次,构建了租房数据属性相似度计算模型,并将该模型应用到ST-DBSCAN算法中。对租房数据的时空聚类分析分两个方面,先是对2019年全年呈贡区租房数据发布量在时间和空间维度的分布规律进行聚类分析,接着应用属性相似度计算模型,研究分析了租房数据中“家电设施”和“均价”这两个属性对租房数据时空聚类结果的影响。租房数据属性间关联关系分析研究。时空聚类分析只能挖掘出租房数据信息在时间和空间维度的分布规律,无法对数据属性特征之间的关联关系进行价值挖掘。为了挖掘出租房信息数据各属性特征之间的关联规律,本文将关联规则挖掘算法应用到租房数据的分析中。针对传统关联规则算法Apriori存在的支持度和置信度两个重要参数设定依靠人为确定,对关联规则的生成存在一定的主观影响。基于混沌粒子群优化算法提出改进的CPS-Apriori关联算法,利用混沌粒子群优化支持度和置信度的设定,寻找最优支持度和置信度参数,缩短了规则提取时间,提高了算法的运行效率。通过将CPS-Apriori关联算法应用到租房数据属性间的关联规则挖掘中,对租房数据属性之间的关联关系进行研究分析。