首页/论文/1303.0447

arXiv 1303.04472013-03-03cs.DBcs.CY

空间数据采掘技术在农村发展中的应用研究

A Study on Application of Spatial Data Mining Techniques for Rural Progress

V. R. Kanagavalli, K. Raja

备注：: International Conference on Innovative Computing, information and communication technology ICICT09; souvenir pp no 64

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文着重于空间数据采掘技术的应用，以有效地管理所面临的挑战，在分析和预测市场的情况下，周边农村地区，更好地管理其经济。空间数据采掘是揭示隐藏在空间数据库中的隐含知识的任务。空间数据库包含所研究地区的空间和非空间属性。寻找隐藏在空间数据库中的隐含的规则或模式是一项重要的任务，例如地理营销，交通控制或环境研究。本文的研究重点是空间数据采掘技术在农村经济地理领域的有效应用

英文摘要：

This paper focuses on the application of Spatial Data mining Techniques to efficiently manage the challenges faced by peripheral rural areas in analyzing and predicting market scenario and better manage their economy. Spatial data mining is the task of unfolding the implicit knowledge hidden in the spatial databases. The spatial Databases contain both spatial and non-spatial attributes of the areas under study. Finding implicit regularities, rules or patterns hidden in spatial databases is an important task, e.g. for geo-marketing, traffic control or environmental studies. In this paper the focus is on the effective use of Spatial Data Mining Techniques in the field of Economic Geography constrained to the rural areas

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

渐进式数据库上高效支持耦合的频繁模式挖掘

Efficient Support Coupled Frequent Pattern Mining Over Progressive Databases

最近有很多关于序列模式挖掘的研究。渐进式数据库上的序列模式挖掘是一个比较新的方法，它是在感兴趣的时间段内逐步发现序列模式。感兴趣的时间段是一个随着时间的推移而不断前进的滑动窗口。随着滑动窗口焦点的变化，新项被添加到感兴趣的数据集中，过时的项被从中删除并成为最新的。一般来说，现有的建议没有充分探讨现实世界的情况下，如项目与支持数据流应用程序，如购物篮分析。因此，从支持的频繁项中挖掘重要知识成为一个重要的研究课题。我们提出的新方法有效地挖掘频繁序列模式加上支持使用渐进挖掘树。

2010-05-29cs.DB

应用数据采掘方法远程跟踪帕金森病进展的比较研究

A Comparative Study on Remote Tracking of Parkinsons Disease Progression Using Data Mining Methods

近年来，数据采掘方法在医学诊断和评估的许多领域中的应用越来越普遍。数据采掘方法是发现和提取医学数据库中可用知识的合适工具。本研究将11种数据采掘算法分为5组，应用于帕金森病（PD）患者临床变量数据集，研究疾病进展。该数据集包括42个人的22个属性，我们所有的算法都应用于这个数据集。相关系数为0.9985的决策表具有最好的精度，相关系数为0.7919的决策树桩具有最低的精度。

2013-12-07cs.CEcs.DB

数据采掘在市场营销中的应用

Application of Data Mining In Marketing

现代金融中最重要的问题之一是找到有效的方法来总结和可视化股票市场数据，为个人或机构提供有关市场行为的有用信息，以进行投资决策。股票市场产生的大量有价值的数据吸引了研究人员使用不同的方法来探索这个问题领域。解决这些问题的潜在重大利益激发了多年的广泛研究。由于数据采掘的重要应用和日益增长的信息量，使得对它的研究越来越受到人们的关注。本文综述了决策树等数据采掘技术的应用。此外，本文还揭示了除了现有的差距和较少考虑的领域，并确定了未来的研究工作的应用。

2013-10-31cs.CYcs.DB

数据挖掘在尼日利亚高等教育部门中的作用

Role of Data Mining in Nigerian Tertiary Education Sector

本文探讨数据挖掘工具和技术在分析尼日利亚高校学生数据、预测师生表现及解决院校职能部门问题中的作用，以应对高等教育快速扩张带来的挑战。

2024-11-07cs.CYcs.DB

不确定智能水表数据的渐进式清洗与挖掘

Progressive Cleaning and Mining of Uncertain Smart Water Meter Data

一些城市最近安装了无线“智能”水表，允许诸如需求响应、泄漏警报、特征需求模式识别和详细的消耗分析等功能。为了实现这些益处，仪表数据需要是无误差的，这在实践中不一定可用，这是由于数据的“脏”或“不确定性”，这是不可避免的。本文的重点是研究实际的解决方案，挖掘不确定的数据，以获得可靠的结果，并评估脏数据对过滤器的影响。这种评价最终将产生有价值的信息，可用于对水规划战略作出有根据的决策。我们对大规模智能水表部署中存在的误差进行了系统的研究，这有助于更好地理解误差的本质。识别对负载峰值有贡献的客户被用作主过滤器。然后将过滤器输出与领域专家知识相结合，以评估其准确性和有效性，并查找潜在的错误。在发现每个错误之后，我们分析它在数据中的踪迹并追溯其来源，这最终会导致错误的删除或相应的处理。逐步应用此过程以确保在数据模型中发现并表征所有可检测的错误。我们评估所提出的方法的性能，使用智能水表的消费数据从城市的Abbotsford，不列颠哥伦比亚省，加拿大。我们提出了未处理和清理数据的结果，并详细分析了所选过滤器对错误的敏感性。

2020-02-06cs.DB

一种数据库多级模糊关联规则挖掘模型

A Model for Mining Multilevel Fuzzy Association Rule in Database

多层关联挖掘的模型和算法的研究对数学和计算机科学提出了新的挑战。当数据或数据关系中存在某种形式的不确定性（如模糊性）时，这些问题变得更具挑战性。本文提出了一种多级模糊关联规则挖掘模型，用于提取事务数据库中隐含的知识，每一级的支持度不同。该算法采用自顶向下的渐进式深化方法来获取大项目集。这种方法采用模糊边界，而不是尖锐的边界区间。最后通过一个实例表明，该算法可以简单有效地挖掘出不同支持度下的多层关联规则。

2010-01-20cs.DB

更多相关论文收起更多论文

模式和关联规则挖掘方法的有效性分析

Efficient Analysis of Pattern and Association Rule Mining Approaches

数据采掘的过程从给定的数据源产生各种模式。发现频繁项集、频繁序列模式、频繁序列规则和频繁关联规则是数据采掘中公认的最重要的任务。已经提出了许多有效的算法来完成上述过程。频繁模式挖掘一直是数据采掘研究的一个热点问题，有大量的文献可供参考，并取得了重要的进展，从事务数据库中频繁项集挖掘的高性能算法到复杂算法，如序列模式挖掘、结构化模式挖掘、相关性挖掘等。关联规则挖掘（ARM）是当前最流行的数据采掘技术之一，它从大型数据库中对对象进行分组，目的是从海量数据中提取有趣的关联和关系。本文对频繁模式挖掘的研究现状进行了简要的回顾和分析，并讨论了一些有前景的研究方向。此外，本文还包括所述方法的性能之间的比较研究。

2014-02-12cs.DB

数据采掘：过去、现在和未来--数据流的典型综述

Data mining : past present and future - a typical survey on data streams

数据流挖掘是一个具有实际意义的领域，在医学、计算机科学、生物信息学、股票市场预测、天气预报、文本、音频和视频处理等领域都有着新的方法和发现。数据恰好是数据采掘中的关键问题。随着从多个传感器、互联网中继聊天、Twitter、Facebook、网上银行或ATM交易中产生的大量在线数据，动态变化数据的概念正在成为一个关键挑战，我们称之为数据流。本文给出了从数据流中发现频繁模式的算法，并通过一个实例分析，指出了数据流处理中的研究问题。

2016-05-04cs.DB

使用事件数据帧增加过程挖掘的Scalability：数据结构如何起作用

Increasing Scalability of Process Mining using Event Dataframes: How Data Structure Matters

流程挖掘是数据科学的一个分支，旨在从信息系统中包含的事件数据中提取与流程相关的信息。在过去的几年里，已经开发了许多算法和通用的开源框架（ProM 6），用于过程发现、一致性检查、事件数据上的机器学习。然而，在极少数情况下，可伸缩性一直是目标，优先考虑输出的质量，而不是执行速度和资源优化。这使得使用任何开源流程挖掘框架在主流工作站上对真实事件数据进行流程挖掘变得越来越困难。因此，探索更可扩展的存储技术、内存中的数据结构、更高性能的算法是一个严格的迫切需要。在本文中，我们提出了主流的柱状存储和嵌入式框架的使用，以增加流程挖掘的可扩展性。这些可以在大多数任务中取代经典的事件日志结构，但需要与主流流程挖掘算法完全不同的实现。定义了数据框架，给出了数据框架上的一些算法，并计算了它们的复杂度。

2019-07-31cs.DB

学习分析中上下文数据采掘的多源关系

Multi-source Relations for Contextual Data Mining in Learning Analytics

学习分析（LA）的目标是多方面的，其中帮助学生了解他们的学业进展和改善他们的学习过程，这是我们工作的核心。为了实现这一目标，LA依赖于教育数据：学生在VLE上的活动轨迹，或学术，社会人口信息，有关教师，教学资源，课程等的信息。数据采掘，特别是模式挖掘，旨在从大型数据集中提取有价值的和可理解的信息。在我们的工作中，我们假设多个教育数据源形成了一个丰富的数据集，可以产生有价值的模式。因此，挖掘这些数据是达到帮助学生目标的一种有希望的方法。然而，数据内的异质性和相互依赖性导致高计算复杂性。因此，我们的目标是设计低复杂度的模式挖掘算法，挖掘多源数据，考虑到依赖性和异构性的来源。形成的模式是有意义的和可解释的，因此，他们可以直接用于学生。

2019-06-28cs.DB

GCG：从海量空间数据中挖掘最大完全图模式

GCG: Mining Maximal Complete Graph Patterns from Large Spatial Data

近年来，模式发现的研究已经从挖掘频繁模式和序列发展到挖掘结构化模式，如树和图。图作为一种通用的数据结构，可以对数据之间的复杂关系进行建模，在Web浏览和社交网络中有着广泛的应用。然而，由于大量子图的存在，挖掘大型图模式的过程是一个挑战。在本文中，我们的目标是挖掘频繁的完全图模式。数据库中的图g是完全的，如果每对不同的顶点由唯一的边连接。网格完全图（GCG）是一种挖掘算法，旨在探索有趣的修剪技术，以从Sloan数字巡天（SDSS）数据中提取最大的空间数据集的完整图。使用分而治之的策略，GCG表现出高效率，特别是在大量的模式。在本文中，我们描述了GCG，不仅可以挖掘简单的同位空间模式，但也复杂的。据我们所知，这是第一个用于在大型空间数据集中挖掘复杂同位模式的过程中提取最大完全图的算法。

2013-12-13cs.DB

Ramp：基于有效位向量投影技术的快速频繁项集挖掘

Ramp: Fast Frequent Itemset Mining with Efficient Bit-Vector Projection Technique

National University of Computer and Emerging Sciences（国家计算机与新兴科学大学）

基于位向量表示的频繁项集挖掘方法对于密集数据集是非常有效的，但对于稀疏数据集，由于缺乏有效的位向量投影技术，挖掘效率很低。在本文中，我们提出了一种新的有效的位向量投影技术，稀疏和密集的数据集。为了检验我们的位向量投影技术的效率，我们提出了一个新的频繁项集挖掘算法Ramp（Real Algorithm for Mining Patterns）。在基准数据集上将Ramp算法与目前最好的频繁项集挖掘算法（全频繁项集、最大频繁项集和闭频繁项集）进行了性能比较。在稀疏数据集和密集数据集上的不同实验结果表明，使用Ramp挖掘频繁项集的速度比目前最好的算法都要快，这表明了位向量投影思想的有效性。我们还提出了一个新的本地最大频繁项集传播和最大项集超集检查方法FastLMFI，建立在我们的PBR位向量投影技术。我们不同的计算实验表明，使用FastLMFI的项集最大值检查是快速和有效的比以前将已知的渐进聚焦方法。

2009-04-21cs.AIcs.DBcs.DS

基于特征选择算法的教育数据采掘精度分析

Accuracy analysis of Educational Data Mining using Feature Selection Algorithm

University of Central Florida（中佛罗里达大学）

收集相关信息来预测学生的学业进展是一项繁琐的任务。由于数据库中存在大量不相关的数据，从而提供不准确的结果。目前，由于数据中存在太多不相关的属性和特征，无法准确测量和分析学生数据。借助教育数据采掘，可以提高信息的质量。本研究演示了EDM如何使用相关属性和执行的机器学习算法来帮助测量数据的准确性。使用EDM，可以在不更改原始数据的情况下删除不相关的特征。本研究中使用的数据集来自Kaggle.com。结果比较的基础上召回率，精度和f-措施，以检查学生数据的准确性。这项研究的重要性在于通过为研究者提供更准确的结果来帮助提高教育研究的质量。

2021-09-01cs.DBcs.LG

从社会数据采掘到社会经济危机预测

From Social Data Mining to Forecasting Socio-Economic Crisis

社会经济数据采掘在更好地理解我们的经济和社会所面临的问题方面具有巨大的潜力，例如金融不稳定，资源短缺或冲突。如果没有大规模的数据采掘，这些领域的进展似乎很难或不可能。因此，应该在欧洲建立合适的分布式数据采掘基础设施和研究中心。建立一个危机观察站网络似乎也是适当的。可以把它们想象成专门收集和处理关于地球及其生态系统等自然系统以及人类技术-社会-经济系统的大量数据的实验室，以便获得即将发生的事件的早期预警。现实挖掘提供了更快、更准确地适应不断变化的情况的机会。个性化定制服务带来了更多的机会，但这些服务应以尊重隐私的方式提供。这就需要开发新的信息和通信技术（如自组织网络），但很可能还需要新的法律法规和适当的机构。只要在世界范围内缺乏这样的法规，科学家们就应该探索如何利用现有的大量数据。大数据确实有可能改变甚至威胁民主社会。这同样适用于信通技术系统的突然和大规模故障。因此，处理数据必须以高度的责任感和谨慎态度进行。在公共利益受到影响的情况下，个人、公司或机构的自身利益是有限度的，公共利益不足以成为侵犯个人人权的理由。隐私和保密一样，都是一种高价值的商品，破坏它会对社会产生严重的副作用。

2011-07-26cs.CYcs.DBcs.DC

时空数据采掘：挑战与开放问题综述

Spatiotemporal Data Mining: A Survey on Challenges and Open Problems

RMIT University（皇家墨尔本理工大学）；Qatar University（卡塔尔大学）

时空数据采掘（STDM）从空间和时间之间的动态相互作用中发现有用的模式。几个可用的调查捕捉STDM的进步，并报告了在这一领域的重要进展财富。然而，STDM的挑战和问题并没有在他们自己的文章中进行彻底的讨论和介绍。我们试图填补这一空白，提供一个全面的文献调查国家的最先进的进展，STDM。我们描述了具有挑战性的问题及其原因，以及多个STDM方向和方面的空白。具体来说，我们调查的挑战性问题，时空关系，跨学科，离散化和数据特性。此外，我们讨论了文献中的局限性和开放的研究问题，时空数据表示，建模和可视化，以及方法的全面性。我们解释了与分类，聚类，热点检测，关联和模式挖掘，离群值检测，可视化，可视化分析和计算机视觉任务的STDM任务相关的问题。我们还强调了与多种应用相关的STDM问题，包括犯罪和公共安全，交通和运输，地球和环境监测，流行病学，社交媒体和物联网。

2021-03-31cs.DBcs.LG

教育数据挖掘与学习分析——教育助教与教学学习

Educational Data Mining and Learning Analytics - Educational Assistance for Teaching and Learning

Jubail University College（朱拜勒大学学院）；Ayya Nadar Janaki Ammal College（艾亚纳达尔贾纳基阿马尔学院）

本文研究如何通过教育数据挖掘和学习分析技术，收集学生表现数据以识别潜在失败风险，并通过特征选择方法提升教学与学习效果。

2017-06-11cs.DBcs.SYeess.SY

Actias系统：使用分类逻辑的监督多策略学习范式

The Actias system: supervised multi-strategy learning paradigm using categorical logic

Instituto Superior de Engenharia de Lisboa（里斯本高等工程学院）；Universidade Nova de Lisboa（新里斯本大学）

智能系统开发中最困难的问题之一是底层知识库的构建。因此，开发这类系统的进展速度与知识库的组装速度及其质量直接相关。我们试图解决知识获取的问题，为商业信息系统，开发一个监督的多策略学习范式。这种模式的核心是协作数据采掘策略，其中专家组使用数据挖掘过程进行协作，监督获取从异构机器学习数据模型中提取的新知识。Actias系统是我们实现这一模式的方法。它是将基于图形逻辑的草图语言应用于知识集成的结果。该系统是一个数据采掘协同工作场所，其中的信息系统知识库是一个代数结构。它是将背景知识与从数据模型中提取的新见解相结合的结果，这些新见解是为特定的数据建模任务生成的，并使用草图语言表示为规则。

2016-05-06cs.AIcs.DBcs.SE