轨道交通自动售检票系统AFC数据分析(8)
(2)时序模式
通过时间序列搜索出重复发生概率较高的模式。这里强调时间序列的影响。在时序模式中，需要找出在某个最小时间内出现比率一直高于某一最小百分比(阀值)的规则。这些规则会随着形式的变化做适当的调整.时序模式中，一个有重要影响的方法是“相似时序”。用“相似时序”的方法，要按时间顺序查看时间事件数据库，从中找出另一个或多个相似的时序事件。
(3)聚类
数据库中的记录可被化分为一系列有意义的子集，即聚类。在同一类别中，个体之间的距离较小，而不同类别上的个体之间的距离偏大。聚类增强了人们对客观现实的认识，即通过聚类建立宏观概念。聚类方法包括统计分析方法，机器学习方法，神经网络方法等。80年代初，Michalsky提出的概念聚类技术及其要点是，在划分对象时不仅考虑对象之间的距离，还要求划分出的类具有某种内涵描述，从而避免了传统技术的某些片面性。
(4)分类
分类是数据挖掘中应用最多的任务。分类是找出一个类别的概念描述，它代表了这类数据的整体信息，既该类的内涵描述。一般用规则或决策树模式表示。该模式能把数据库中的元组影射到给定类别中的某一个分类组当中。一个类的内涵描述分为特征描述和辨别性描述。特征描述是对类中对象的共同特征的描述。辨别性描述是对两个或多个类之间的区别的描述。特征描述允许不同类中具有共同特征。而辨别性描述对不同类不能有相同特征。辨别性描述用的更多。分类是利用训练样本集(己知数据库元组和类别所组成的样本)通过有关算法而求得。
目前，分类方法的研究成果较多，判别方法的好坏，可从三个方面进行:①预测准确度(对非样本数据的判别准确度)、②计算复杂度(方法实现时对时间和空间的复杂度)、③模式的简洁度(在同样效果情况下，希望决策树小或规则少).在数据库中，往往存在噪声数据(错误数据)、缺损值、疏密不均匀等问题。他们对分类算法获取的知识将产生坏的影响。
(5)偏差检测
数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差、量值随时间的变化等。偏差检测的基本方法是，寻找观测结果与参照值之间有意义的差别。
(6)预测
预测是利用历史数据找出变化规律，建立模型，并用此模型来预测未来数据的种类，特征等。典型的方法是回归分析，即利用大量的历史数据，以时间为变量建立线性或非线性回归方程。预测时，只要输入任意的时间值，通过回归方程就可求出该时间的状态。
近年来，发展起来的神经网络方法，如模型，它实现了非线性样本的学习，能进行非线性函数的判别。
分类也能进行预测，但分类一般用于离散数值。回归预测用于连续数值。神经网络方法预测既可用于连续数值，也可以用于离散数值。
3.2.2 数据挖掘过程
数据挖掘过程是指一个完整的过程，该过程从大型数据库中挖掘先前未知的、有效的、可实用的信息，并使用这些信息做出决策或丰富知识。适合数据挖掘过程的数据挖掘环境如图3-l所示。
图3-1数据挖掘过程的环境
数据挖掘过程，通常包括数据准备、数据挖掘、信息表示和分析决策。同时它也是个不断反复的过程。数据挖掘过程的流程如图3-2所示。
图3-2数据挖掘过程的流程
(1)数据收集
大量丰富的数据是数据挖掘的前提，没有数据，数据挖掘也就无从谈起。因此，数据收集是数据挖掘的首要步骤。数据可以来自于现有事务处理系统，也可以从数据仓库中得到。