论文部分内容阅读
数据挖掘是数据处理的一种重要研究方法，关联规则挖掘是数据挖掘技术中的一个重要的研究方向。传统的关联规则挖掘算法大都认为产生的关联规则是永恒有效的，没有考虑到规则的变化。基于动态关联规则的挖掘算法可以产生具有支持度向量和置信度向量的动态关联规则，使用支持度向量和置信度向量可以对规则的发展趋势进行分析和预测。而现有的动态关联规则都是基于完全频繁项集，这些算法会随着支持度的降低算法性能急剧下降，并产生数目巨大的频繁项集和关联规则，不利于理解挖掘的有效信息。
本文提出了基于闭合频繁项集的动态关联规则挖掘算法，由于闭合频繁项集是完全频繁项集的无损的最简表示，在较低最小支持度的情况下对于同一数据集闭合频繁项集和规则的数量会比完全频繁项集小很多。该算法还使用cherrry Item检测技术来代替传统闭合频繁项集挖掘算法中的子集检查，从而避免要在内存中保留已挖掘闭合项集。实验和分析表明，该算法比现有的动态关联规则挖掘算法具有更优的性能。本文使用灰色BP神经网络预测模型对动态关联规则进行预测，该模型结合了灰色GM（1，1）预测模型的小样本预测和BP神经网络的强大的学习能力的优点，并通过实验验证了该模型的可用性。