基于时间粒度的时序关联规则挖掘研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究的内容与创新 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 2 数据挖掘与关联规则挖掘 | 第13-26页 |
| 2.1 数据挖掘 | 第13-16页 |
| 2.1.1 数据挖掘的概念 | 第13页 |
| 2.1.2 数据挖掘的任务 | 第13-14页 |
| 2.1.3 数据挖掘的过程 | 第14-15页 |
| 2.1.4 数据挖掘常用方法 | 第15-16页 |
| 2.2 关联规则挖掘 | 第16-19页 |
| 2.2.1 关联规则概述 | 第16页 |
| 2.2.2 关联规则的定义 | 第16-18页 |
| 2.2.3 关联规则挖掘步骤 | 第18-19页 |
| 2.3 Apriori算法 | 第19-25页 |
| 2.3.1 Apriori算法分析 | 第19-20页 |
| 2.3.2 Apriori算法挖掘 | 第20-23页 |
| 2.3.3 Apriori算法应用过程 | 第23-24页 |
| 2.3.4 Apriori算法评价 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 时间粒度动态划分 | 第26-46页 |
| 3.1 时间粒度 | 第26-28页 |
| 3.2 时间粒度划分 | 第28-29页 |
| 3.3 统计分析 | 第29-34页 |
| 3.3.1 相关性分析 | 第29页 |
| 3.3.2 多元线性回归 | 第29-31页 |
| 3.3.3 主成分分析 | 第31-34页 |
| 3.4 自组织映射神经网络 | 第34-36页 |
| 3.4.1 自组织映射神经网络原理 | 第34-35页 |
| 3.4.2 SOM算法 | 第35-36页 |
| 3.5 应用实例 | 第36-45页 |
| 3.5.1 数据来源 | 第36-37页 |
| 3.5.2 相关性分析 | 第37-38页 |
| 3.5.3 多元线性回归 | 第38-40页 |
| 3.5.4 主成分分析 | 第40-41页 |
| 3.5.5 自组织映射神经网络 | 第41-45页 |
| 3.6 本章小结 | 第45-46页 |
| 4 时序关联规则挖掘及应用 | 第46-55页 |
| 4.1 时序关联规则 | 第46页 |
| 4.2 数据变换 | 第46-49页 |
| 4.2.1 数据选取 | 第46-47页 |
| 4.2.2 数据准备 | 第47页 |
| 4.2.3 数据变换 | 第47-49页 |
| 4.3 时序关联规则挖掘 | 第49-52页 |
| 4.4 挖掘结果分析与研究 | 第52-54页 |
| 4.4.1 挖掘结果提取及优化 | 第52页 |
| 4.4.2 影响挖掘结果的因素 | 第52页 |
| 4.4.3 挖掘结果比较 | 第52-54页 |
| 4.4.4 挖掘结果分析 | 第54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-56页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读学位期间的研究成果 | 第60页 |
