基于关联规则的C公司外贸出口重箱数据挖掘

论文摘要

20世纪80年代,由于计算机技术的飞速发展,许多企业积累并存储了大量业务数据,进入20世纪90年代以后市场竞争已逐渐演变为“信息竞争”,人们对信息的需要已从简单的数据收集型转向了分析加工型,在这种历史背景下,数据挖掘技术应运而生。数据挖掘技术的产生和发展使得人们可以利用这些数据挖掘出有用的、隐藏的商业和科学信息。数据挖掘是多学科综合的产物,它从多个学科汲取营养,包括数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、信息检索和数据库可视化等。关联规则是数据挖掘中一个重要的课题。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。Agrawal等在1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题,以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究,包括对原有算法进行优化,以提高算法挖掘规则的效率,对关联规则工作进行推广。最近有独立于Agrawal的频集方法的工作,探索挖掘关联规则的新方法,也有一些工作注重于对挖掘到的模式的价值进行评估。本文首先对数据挖掘概念、方法及应用等进行了较详尽的阐述,然后重点介绍基于关联规则的主要算法:频集算法的核心算法-Apriori算法。同时针对Apriori算法存在的缺陷,介绍了能避免这两种缺陷的其他算法。最后将基于关联规则的数据挖掘方法应用到班轮公司客户的外贸出口重箱中,从客户与航线、时间与箱型、货物与月份三个不同的维度进行关联挖掘,对挖掘结果进行分析,并据此提出了关于销售方面的意见。针对第一个维度挖掘结果提出了交叉盈利的意见;第二个维度的挖掘结果可以作为分组布局、运输推荐的参照;第三个维度的挖掘结果可以帮助进行市场和趋势分析,分析客户的运输习惯和季节性、货物品种的趋势。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 数据挖掘产生背景
• 1.2 数据挖掘的研究现状
• 1.3 论文研究的意义和目的
• 1.4 论文的内容安排
• 第二章 数据挖掘技术及应用
• 2.1 数据挖掘的定义
• 2.2 数据挖掘过程
• 2.3 数据挖掘的方法
• 2.4 数据挖掘的工具
• 2.5 数据挖掘在物流业的应用
• 2.6 本章小结
• 第三章 关联规则挖掘
• 3.1 关联规则的基本概念
• 3.2 关联规则的分类
• 3.3 关联规则挖掘算法综述
• 3.3.1 频集算法的核心算法——Apriori算法
• 3.3.2 Apriori算法的几种优化算法
• 3.4 其他的频集挖掘算法
• 3.4.1 FP-growth的方法
• 3.4.2 MH和LSH方法
• 3.5 关联规则挖掘的应用
• 3.6 本章小结
• 第四章 关联规则挖掘在 C公司外贸出口重箱的应用
• 4.1 C公司的背景介绍
• 4.2 C公司进行数据挖掘的必要性
• 4.3 C公司关联规则数据挖掘实验
• 4.3.1 客户与航线的关联规则挖掘
• 4.3.2 时间与箱型的关联规则挖掘
• 4.3.3 货物与月份的关联规则挖掘
• 4.4 与现有方法的对比
• 4.5 结论
• 4.6 本章小结
• 第五章 结束语
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢