笔记本电脑ＢＴＯ生产计划中关联规则挖掘的应用研究（经济学论文资料）.docVIP

笔记本电脑ＢＴＯ生产计划中关联规则挖掘的应用研究（经济学论文资料） 文档信息 ： 文档作为关于“IT计算机”中“数据挖掘与模式识别”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文7138字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o "1-9" \h \z \u 目录 1 正文 1 文1：笔记本电脑ＢＴＯ生产计划中关联规则挖掘的应用研究 2 一、应用背景 2 二、关联规则基本概念和描述 2 三、关联规则应用改进 3 1.耦合性 3 2.多样差异性 3 3.动态性 4 四、应用实例 4 文2：关联规则挖掘算法研究 5 参考文摘引言： 7 原创性声明（模板） 10 文章致谢（模板） 10 正文 笔记本电脑ＢＴＯ生产计划中关联规则挖掘的应用研究（经济学论文资料） 文1：笔记本电脑ＢＴＯ生产计划中关联规则挖掘的应用研究 一、应用背景 近年来笔记本电脑市场发展迅速，预计2007年全球产量将突破9000万台。为了在满足市场多样化需求的同时又能降低生产成本、提高响应速度，许多企业都在实施一种以销订产、按订单生产（Build to Order， BTO）的模式。BTO模式的成功运行强烈地依赖于原材料供应商、制造企业和销售公司之间的协作关系。然而笔记本电脑制造企业所面对的原材料供应商大多为垄断企业，它们为了自身利益要求按照企业给出的采购预测供货，这样制造企业如何制定一个尽可能准确反映用户个性化需求的生产计划变得尤为重要。但是通常这样的生产计划在现实中仅仅是少数人员根据经验制定，缺乏科学性和准确性。随着数据挖掘技术的不断成熟，在商业领域有着巨大的发展潜力。本文运用其中的关联规则经典算法并结合BTO制造的特点加以改进，挖掘出历史数据库中笔记本电脑配置关联关系，为生产计划提供科学的支持。 二、关联规则基本概念和描述 关联规则挖掘是目前数据挖掘领域最活跃的分支之一。一条关联规则是形如 XY 的蕴涵式，其中XY的支持度是事务集中包含X和Y的事务数与所有事务数之比，即Support(XY) =P(XY)；它的置信度则是事务集中包含X和Y的事务数与包含X的事务数之比，即Confidence((XY))= P(XY)/P(X);若支持度和置信度分别大于用户定义的最小支持度和最小置信度，则XY为强关联规则。实现关联规则挖掘的算法很多，以下以Apriori算法来描述： 三、关联规则应用改进 BTO制造的特殊性和难点在于无法预测到用户的具体需求，业界普遍采用的一种方案是为各机型建立一份备选组件清单，生产计划将转化为对各个组件需求数量的预测。通常，一台笔记本电脑包含了外框体以及若干自选组件，如CPU，RAM，HDD等。与传统的货篮分析相比，BTO笔记本电脑配置信息挖掘又有它不同的特点： 1.耦合性 BTO笔记本电脑的订单从内容上看更像是一份电脑组件选购清单，对于大多数组件，不可以重复选择其同类的其他组件。因此，对关联规则算法做如下改进：由频繁K-项集生成侯选K+1项集时，直接忽略同类组件间的关联。对组件进行分类，将所有项目集合I分解为n类: 且有其中表示第n类下的第m种组件。在Apriori_Cgen(Lk)过程中增加限制条件，改进为： ，且有 2.多样差异性 电脑组件的可替换性、供应商情况和库存成本等因素决定了它们的重要程度各不相同。然而传统关联规则算法仅使用单一的最小支持度，对不同组件重要程度没有区分。因此，采用多支持度关联规则挖掘方法对Apriori算法进行改进。定义各部品的最小支持度为min_sup(in)，将候选k-项集中的某一候选项的最小支持度定义为：min_sup(c)= MIN(min_sup(i1)， min_sup(i2) ，...， min_sup(ik)，其中c={i1， i2， …， ik})。Apriori算法的实现基于以下前提：频繁项的任意子集必是频繁项。但是多支持度关联规则挖掘算法无法满足这一前提。为此，特别规定在1-项频繁项的挖掘过程中对所有的候选项采用所有项支持度的最小值，此后多项频繁项挖掘再采用多支持度的方法，保证算法能够继续适用。 3.动态性 企业信息系统每天都在不停地接收来自全球各地的订单，因此采用一种动态更新的关联规则挖掘算法，当数据更新时充分利用原有数据关联规则信息，仅对新增数据进行挖掘，得到新的关联规则结果。本应用将在数据库中记录所有候选项的支持度，无论其最终是否成为频繁项，这样不必重复先前的工作。假设DB为原有的订单记录，db为新增记录。若c在DBdb上频繁，则c至少在DB和db中的一个上频繁。基于以上性质，在db增量数据挖掘时采取以下策略：若c在DBdb上同为频繁项或非频繁