基于航空数据挖掘的用户行为分析研究

摘要

在当前大数据环境下，海量的数据带来了数据分析领域的飞速发展，数据挖掘作为数据分析中的关键技术为其高速发展提供了必要的保障。由于数据挖掘方法众多，每种方法又有不同的适用环境，所以开发不同环境下的数据挖掘方法极其重要。目前数据挖掘已经在很多领域有了广泛的应用，比如证券领域，安全领域，经济领域等，但是在航空领域的相关数据挖掘方法却很少。为了探索航空领域的数据挖掘方法，本文提出了一种改进的FP-GROWTH算法用来挖掘航空数据关联关系和一种改进GRNN算法用来预测航空数据，具体的研究工作如下:
　　首先，为了对航空数据进行挖掘分析，需要从算法入手。而本文的目标是对航空数据进行预测分析，为此，就需要对航空数据间的关联关系进行挖掘，只有挖掘到航空数据间的关联关系，才能对航空数据进行预测。因此，本文研究了关联分析算法的基本原理和基本步骤，并通过几种典型算法的对比，最终选择了FP-GROWTH算法为挖掘航空数据关联关系的算法。其次，为了预测航空数据，本文将研究几种典型的回归预测算法，然后通过介绍算法的原理和适用场景，最终选择了人工神经网络算法作为航空数据的预测算法。
　　接着，由于航空数据重复率低，数量大，而导致的传统FP-GROWTH算法建立FP-TREE效率低和速度慢的问题，本文提出了改进的FP-GROWTH算法。改进算法相比于传统的FP-GROWTH算法提高了算法的计算效率，减少了算法的运行时间，从而适用于航空数据的关联分析。
　　然后，为了解决传统GRNN算法中平滑因子选择困难的问题，本文提出了改进的GRNN算法，该算法通过运用改进的差分算法，改善了GRNN算法中选择平滑因子的方法，进而提高了算法的执行效率和算法预测的精确率。
　　最后，本文设计了国际航班信息采集系统，阐述了系统架构，并设计了数据采集方法。

目录

声明

摘要

第一章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 关联分析算法现状

1．2．2 回归预测算法现状

1．3 论文的主要工作和组织结构

第二章 关键技术

2．1 关联分析算法

2．1．1 关联分析算法的概念及定义

2．1．2 关联分析算法挖掘步骤

2．1．3 典型的关联分析算法比较

2．2 典型的分类预测算法

2．2．1 K近邻算法

2．2．2 支持向量机

2．2．3 人工神经网络算法

2．2．4 性能分析

2．3 本章小结

第三章 改进的FP-GROWTH算法

3．1．1 FP-GROWTH算法流程

3．1．2 算法局限性

3．2．1 Bloomfilter方法

3．2．2 改进的FP-GROWTH算法

3．2．3 算法局限性

3．3 性能评价

3．3．1 执行速度

3．3．2 挖掘结果

3．4 本章小结

第四章 基于GRNN的用户行为预测

4．1．2 GRNN算法流程

4．1．3 算法局限性

4．2 一种改进的GRNN算法

4．2．1 GRNN算法系统参数与平滑因子选择规则

4．2．2 差分进化算法

4．2．3 单纯形算法

4．2．4 应用S-DE算法改进GRNN算法

4．2．5 算法局限性

4．3 性能评价

4．3．1 执行精度

4．3．2 执行速度

4．4 本章小结

第五章 航班数据采集系统的设计与实现

5．1 国际航班信息采集系统的架构

5．1．1 需求分析

5．1．2 系统架构

5．2 国际航班信息采集系统的设计

5．2．1 系统的表单设计

5．2．2 系统的流程设计

5．3 本章小结

6．1 全文工作总结

6．2 下一步工作展望

参考文献

致谢

作者简介