為解決當(dāng)前內(nèi)存數(shù)據(jù)庫(kù)中圖論頻繁模式挖掘方法存在的運(yùn)行時(shí)間較長(zhǎng)、挖掘結(jié)果準(zhǔn)確率較低及內(nèi)存利用率較低的問(wèn)題,提出基于次優(yōu)樹(shù)的內(nèi)存數(shù)據(jù)庫(kù)中圖論頻繁模式挖掘方法。給出頻繁子圖判定方法,結(jié)合FFSM算法,利用圖頂點(diǎn)的鄰接矩陣進(jìn)行圖論頻繁模式候選子圖生長(zhǎng),并將候選頻繁子圖的邊與頂點(diǎn)標(biāo)簽存儲(chǔ)到對(duì)應(yīng)矩陣中,得到頻繁子圖次優(yōu)樹(shù);分析圖論頻繁模式的性質(zhì),構(gòu)建頻繁子圖削減規(guī)則,對(duì)所得次優(yōu)樹(shù)中的候選頻繁子圖進(jìn)行遍歷搜索與刪減。根據(jù)圖論頻繁模式置信度下限計(jì)算結(jié)果與頻繁項(xiàng)的序,按順序排列刪減優(yōu)化后的頻繁子圖,結(jié)合頻繁模式項(xiàng)目集與支持度對(duì)比,完成圖論頻繁模式挖掘。實(shí)驗(yàn)結(jié)果表明,相比于現(xiàn)有方法,所提方法挖掘準(zhǔn)確率最低為97.22%,比現(xiàn)有方法更高;對(duì)于內(nèi)存空間的利用率明顯提高,且耗時(shí)更短,工作效率更高。綜上所述,所提方法整體更具優(yōu)勢(shì)。 

【文章來(lái)源】：計(jì)算機(jī)仿真. 2019,36(10)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

種方法的挖掘效率對(duì)比

圖6不同方法的識(shí)別耗時(shí)結(jié)果對(duì)比5結(jié)論對(duì)景區(qū)游客流量數(shù)據(jù)的實(shí)時(shí)跟蹤預(yù)測(cè)可以為景區(qū)管理人員提供有效決策依據(jù)，本文提出了云計(jì)算下景區(qū)游客流量數(shù)據(jù)的實(shí)時(shí)跟蹤預(yù)測(cè)方法，仿真證明了所提方法的有效性和適用性。參考文獻(xiàn):［1］孫燁，等．基于旅游者網(wǎng)絡(luò)關(guān)注度的旅游景區(qū)日游客量預(yù)測(cè)研究———以不同客戶(hù)端百度指數(shù)為例［J］．人文地理，2017，(3):152－160．［2］王小燕．基于云計(jì)算的大數(shù)據(jù)挖掘平臺(tái)設(shè)計(jì)［J］．電子設(shè)計(jì)工程，2017，25(13):25－27．［3］張笑白，秦志學(xué)．高峰期內(nèi)旅游路線實(shí)時(shí)優(yōu)化調(diào)度仿真研究［J］．計(jì)算機(jī)仿真，2017，34(5):243－246．［4］劉靜，劉耀龍，段錦．基于5A景區(qū)最大承載量和游客接待量的旅游供需關(guān)系模型研究［J］．科技通報(bào)，2017，33(7):264－268．［5］徐輝軍，周明益，王貢獻(xiàn)．基于網(wǎng)絡(luò)搜索數(shù)據(jù)的揚(yáng)州市景區(qū)游客量預(yù)測(cè)［J］．荊楚理工學(xué)院學(xué)報(bào)，2017，32(2):67－72．［6］張斌儒，等．基于ＲVM模型的國(guó)內(nèi)游客流量預(yù)測(cè)研究———以海南為例［J］．?dāng)?shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2017，(24):30－36．［7］胡傳東，等．基于網(wǎng)絡(luò)照片的旅游景區(qū)照相指數(shù)研究———以磁器口景區(qū)為例［J］．重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2017，(2):120－127．［8］孫小龍，林璧屬．基于網(wǎng)絡(luò)文本分析的旅游商業(yè)化符號(hào)表征研究———以西江苗寨為例［J］．旅游學(xué)刊，2017，32(12):28－36．［9］魏峰群，黃明華，李斌．城市旅游景區(qū)對(duì)城市建設(shè)用地影?

【參考文獻(xiàn)】：
期刊論文
[1]基于漸近取樣的頻繁項(xiàng)集挖掘近似算法[J]. 闞寶朋,崔利.  控制工程. 2017(09)
[2]一種基于Spark框架的并行FP-Growth挖掘算法[J]. 張穩(wěn),羅可.  計(jì)算機(jī)工程與科學(xué). 2017(08)
[3]基于有向無(wú)環(huán)圖的頻繁模式挖掘算法[J]. 朱益立,鄧珍榮,謝攀.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(05)
[4]最大模糊頻繁模式挖掘算法[J]. 張海清,李代偉,劉胤田,龔程,于曦.  計(jì)算機(jī)應(yīng)用. 2017(05)
[5]空間數(shù)據(jù)庫(kù)中有效數(shù)據(jù)頻繁項(xiàng)檢測(cè)仿真研究[J]. 鄭斌.  計(jì)算機(jī)仿真. 2017(04)
[6]基于Nodeset的最大頻繁項(xiàng)集挖掘算法[J]. 林晨,顧君忠.  計(jì)算機(jī)工程. 2016(12)
[7]基于打分矩陣的生物序列頻繁模式挖掘[J]. 袁二毛,郭丹,胡學(xué)鋼,吳信東.  模式識(shí)別與人工智能. 2016(10)
[8]基于Spark的并行頻繁模式挖掘算法[J]. 曹博,倪建成,李淋淋,于蘋(píng)蘋(píng),姚彬修.  計(jì)算機(jī)工程與應(yīng)用. 2016(20)
[9]網(wǎng)絡(luò)信息披露制度下XBRL金融數(shù)據(jù)的頻繁模式并行挖掘[J]. 馮濤,劉蕊.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2016(15)
[10]基于復(fù)合粒度計(jì)算的頻繁模式挖掘研究[J]. 方剛,吳躍.  計(jì)算機(jī)應(yīng)用研究. 2016(06)



本文編號(hào)：3051270