专利交易市场

本发明提供一种基于自适应遗传算法的关联规则挖掘方法及系统，其中，方法包括：步骤S1：获取待挖掘数据，对所述待挖掘数据进行预处理；步骤S2：基于Apriori算法，对预处理结果进行处理，获得频繁项集；步骤S3：基于自适应遗传算法，对所述频繁项集进行处理，获得关联规则集；步骤S4：基于预设的筛选规则，从所述关联规则集中筛选出关联规则。本发明的基于自适应遗传算法的关联规则挖掘方法及系统，解决现有的关联规则算法在处理数据时扫描数据库次数多、产生较多的候选项集、产生过多无用的规则的难题和遗传算法容易陷入局部最优问题，缩短了运行时间，降低了开销成本。

本发明涉及数据挖掘领域，提出一种强关联高效用项集挖掘方法、装置及设备，其中方法包括：构建事务数据库；设置最小效用阈值和最小关联度阈值。扫描事务数据库，当存在事务加权效用大于或等于最小效用阈值的项集时，将该项集存储在第一数组结构中。当存在可作为扩展项效用local‑utility大于或等于最小效用阈值的项集时，将该项集存储在第二数组结构中；计算存在于第一数组结构且存在于第二数组结构中的项集的实际效用和关联度值，确定实际效用大于或等于最小效用阈值且关联度值大于或等于最小关联度阈值的项集为强关联高效用项集。本发明减少了内存和时间的消耗，能够更有效地挖掘出高价值且关联性强的商品。

本发明公开了一种基于自适应多最小支持度的关联规则推荐方法，首先根据商品分类建立商品分类层次树，并根据分类层次树对具体商品进行归类；接下来分别为每个具体商品和具体商品层上一层的类别进行最小支持度阈值设置，阈值设置涉及时间因素、具体商品价格因素以及具体商品品牌因素的影响，在支持度阈值设定基础上，再利用多最小支持度关联规则扩展算法挖掘频繁项集和产生规则；最后采用Top?N推荐方法为每位用户生成推荐。本发明在为用户做个性化推荐时，考虑了多种因素对具体商品和类别的多最小支持度阈值设定的影响，能较好的体现不同物品的特征，同时缓解了推荐系统中数据稀疏性问题和冷启动问题，能更加准确的为用户进行个性化推荐。

本发明涉及一种基于时空属性关联规则的预测方法，属于计算机技术领域。本发明分析智能城市中时空数据的特点，参数化用户访问请求的历史数据，将用户访问请求的历史数据映射到时空属性域，提取时空属性。根据用户访问的空间局部性和时间平稳性，在时空属性域中使用区域网格划分，关联规则和自回归积分滑动平均(ARIMA)模型进行相关分析和识别转换规则，挖掘用户访问模式，确定用户访问请求的历史变化规律，构建预测用户下一次访问请求的预测函数，以实现对用户时空数据的预测。本发明有利于发展高效的海量时空数据预测机制。