灰色马尔科夫预测模型在大学生转专业趋势中的应用

为了更准确地预测大学生转专业趋势,滨海大学2016～2019年连续四年专业本科生转专业的数据为基础,通过数学方法将灰色预测模型和马尔科夫预测模型两种数学模型结合起来,建立灰色马尔科夫模型,预测该大学未来几年学生转专业情况,从而推测大学生转专业的趋势.对得出的数据分析大学生转专业现象的原因,并对此提出相关建议.     

数据挖掘技术及其在银行业务中的应用

本文介绍数据挖掘的基本概念、模型和工作过程以及数据挖掘技术在银行业务中的应用。     

基于隐马尔科夫模型的时空序列预测方法

提出了一种基于时空密度聚类的隐马尔科夫模型对时空序列进行预测的方法。时空序列与一般的时间序列相比,最主要的特征是其时空依赖性以及时空非平稳性。针对如何有效地预测不同尺度分布的时空序列的问题,本文采用基于时空密度聚类的隐马尔科夫模型,该模型不仅能分析时空序列在时间和空间上的相关性,而且可以通过时空序列的分段有效地去除噪声,提高模型预测的精度。本文采用该模型对药品冷藏库中的时空序列温度数据进行分析预测,并与其他预测模型比较,结果显示本文提出的方法更准确有效。     

混合预测模型在网络性能预测中的应用

分析比较不同预测模型的特点及应用条件,基于一次指数平滑模型、二次指数平滑模型和灰色系统模型GM（1,1）,提出并设计能适应网络性能数据序列的混合预测模型。实际应用证明,该模型预测效果良好,能够较好地实现一段时间内的网络性能预测任务。     

马尔科夫链在预测中的应用

提出利用马尔科夫链预测股票第二天的最大涨幅.建立了算法模型,采用具体实例,介绍了算法的过程,并利用C#实现了该算法.     

混合关联规则及其挖掘算法

在项目集中引入了负项目，据此定义了关联规则的一种泛化模型——混合关联规则，分析了它的价值，引入了它的挖掘问题的形式描述，并定义了挖掘中的几个关键算法．     

数据挖掘在零售业中应用研究

本文介绍了一种基于SQL Server的零售业数据挖掘解决方案,运用数据挖掘中的关联规则,挖掘零售业数据库中顾客购买不同货物的关联性,避免了脱离市场、脱离需求,盲目摆放货物所造成的损失,节省了资金,提高了效益.系统做出的预测和形成的关联规则结果基本上符合零售业销售的规律,发现的知识对零售业的管理有一定的指导意义.     

基于模糊关联规则的交通事故分析应用研究

研究发现交通事故潜在规律,预测交通事故的发生,针对关联规则方法用于交通事故分析,对交通的数值型属性无法给出有效地划分,为提高安全管理决策,提出引入模糊聚类,用改进FCM( Fuzzy c-Means)方法对数值属性进行聚类,可用取值的范围对分类属性进行聚类,采用模糊关联规则挖掘导致交通事故的原因和规律.模糊关联规则首先对FCM算法进行了改进,包括隶属度、权值和中心点的计算和修正方法,利用模糊关联规则方法进行挖掘,最后对算法进行了仿真和可视化显示,结果表明模糊关联规则方法挖掘出的规则符合现实情况,为交通管理提供有效的方法.     

推荐技术在电子商务中的应用研究

本文介绍了推荐技术在电子商务中的应用研究概况,详细分析了推荐技术中常用的算法及其性能评估的指标,并对未来推荐技术在电子商务中的研究热点进行了展望。     

数据挖掘在高校教学管理中的应用

高校管理系统中的教学数据逐年增多,但对数据的分析处理多停留于简单的查询与统计阶段.要想合理开发利用这些数据找到其内在关联,为教育教学管理及决策提供指导,使用数据挖掘技术对其进行知识发现是一条重要途径.本文将依次对数据挖掘的概念、过程、相关技术及其在教学管理中应用进行归纳与总结.     

基于多Agent客户识别的反洗钱系统研究

针对现行的反洗钱系统的缺陷,该文将模式识别Agent引入反洗钱系统设计,充分发挥Agent系统自主性、反应性、协作性的特点,构造了基于多Agent客户识别的反洗钱系统模型。并对多Agent通信、协商、实现与支持向量机模式识别等关键技术进行了研究。从而为反洗钱系统的实现提供了支持。     

一种高维聚类算法及在洗钱侦测中的应用

从技术的角度看,洗钱侦测问题实际上是一个数据分析问题。本文首先给出了一个可疑交易判定模型,并提出了一个基于超图模型的高维聚类算法,运用该算法从案例库中形成可疑交易模式,最后给出了可疑交易的判定方法。该基于超图的高维聚类算法具有以下特点：1）能处理大数据集;2）能适应高维数据;3）聚类结果是可理解、可解释和可用的。     

组合核相关向量机的软件可靠性预测模型

可靠性作为衡量软件质量的一种重要特性,对软件管理具有重要的意义。针对单一核函数的缺陷,提出一种组合核函数相关向量机的软件可靠性预测模型。首先对当前软件可靠性研究现状进行分析,然后采用组合核函数相关向量机对训练集进行学习和建模,最后通过具体实例对模型的预测性能进行分析。结果表明,本模型获得了理想的软件可靠性预测结果,且其预测性能要优于单一核函数模型,在软件可靠性预测中有重要的应用价值。     

复合分支预测中选择算法的研究

随着高性能微处理器的流水线越来越深, 分支预测的精度不够高已经成为制约微处理器性能进一步提高的瓶颈。由于一种分支预测方式总会有一些缺陷, 所以复合分支预测方式就被提出来。也就是利用几种分支预测方式同时进行预测, 再基于某种选择算法选择采用哪一种预测方式的结果。基于这种复合分支预测方式, 提出几种了新的选择算法实现。     

基于线性预测与马尔可夫模型的入侵检测技术研究

入侵检测技术是现代计算机系统安全技术中的重要组成部分．该文提出了基于线性预测与马尔可夫模型相结合的入侵检测方法．首先提取特权进程的行为特征,引入时间序列分析技术——用线性预测技术对特权进程产生的系统调用序列提取特征向量来建立正常特征库,并在此基础上建立了马尔可夫模型．由马尔可夫模型产生的状态序列计算状态概率,根据状态序列概率来评价进程行为的异常情况．然后,利用马尔可夫信源熵与条件熵进行参数选取,对模型进行优化,进一步提高了检测率．实验表明该算法准确率高、实时性强、占用系统资源少．     

马尔科夫模型改进的时间序列预测算法研究

时间序列的传统预测方法能够很好地拟合和预测平稳时间序列,对于非线性非平稳的时间序列数据预测效果不好。为解决该问题,文本提出一种改进的预测算法。通过小波分解和单边重构,原始时间序列被分解为一列低频数据和两列高频数据。低频数据采用传统的时间序列方法 GARCH模型预测,高频数据使用改进方法预测。通过马尔科夫模型预测出状态区间,结合指数平滑法,预测出高频结果。与低频数据结果叠加得到最终预测结果。经误差比较,改进算法预测精度有较大提升。     

基于动态分类的Markov用户浏览预测模型

针对多Markov链用户浏览预测模型分类算法的时间复杂度过高问题,提出一种基于动态分类的Markov用户浏览预测模型。该模型通过学习提取用户浏览特征,利用这些特征对用户浏览路径进行分类,实现预测并动态更新用户浏览特征。实验结果表明,该模型可明显降低用户浏览路径预测的时间,并得到较为准确的预测结果。     

基于马尔可夫修正模型的视频预测策略

在P2P流媒体系统中,要想用户获得较好的观看质量,系统会选择流行度较高的视频段,在某些情况下并非响应时间最短就是最佳的视频段,还要看用户使用的需求.新上映的视频段的流行度没有形成稳定的趋势,因此没有足够的数据,传统的统计方法不能及时反映出流行度的变化.针对此问题,本文提出一种基于马尔可夫修正模型的视频预测缓存策略(Mo...     

一种基于马尔可夫模型的稀疏轨迹终点预测算法

随着移动设备的普及与定位技术的成熟,涌现出了各种基于地理位置的应用软件不断涌现。为了使这类应用软件给用户提供精准的基于地理位置的服务,实时、准确、可靠地预测移动对象的不确定性轨迹显得尤为重要。目前大多数传统的轨迹终点预测方法都是通过计算轨迹之间的相似度来预测给定轨迹的终点,这种算法的弊端是没有充分考虑轨迹数据时间序列之间的前后联系,导致预测结果偏差较大。理论证明,马尔可夫模型对处理时间序列数据具有较好的效果。因此,针对轨迹终点预测的问题,提出了一种基于马尔可夫模型的预测算法。同时,针对样本运动空间提出一种新的划分网格策略——K-d tree网格划分。实验结果表明,相比于传统方法,运用马尔可夫模型预测轨迹终点的算法的精度有明显提高,预测时间会大大缩短。     

基于Web流行度的选择Markov预取模型

Web预取技术是目前WWW中减少用户的访问延迟、提高服务质量的主要解决方案之一。该文利用Zipf第1定律和第2定律对Web对象访问流行度建模,并在此基础上,提出了基于Web流行度的选择Markov预取模型。实验表明,该预取模型不仅具有较高的命中率,而且在一定程度上还减少了对带宽的需求。