CN113468245B - 面向轨道交通应用的动态最小支持度计算方法 - Google Patents

面向轨道交通应用的动态最小支持度计算方法 Download PDF

Info

Publication number
CN113468245B
CN113468245B CN202110814651.4A CN202110814651A CN113468245B CN 113468245 B CN113468245 B CN 113468245B CN 202110814651 A CN202110814651 A CN 202110814651A CN 113468245 B CN113468245 B CN 113468245B
Authority
CN
China
Prior art keywords
fault
attribute
station
value
sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110814651.4A
Other languages
English (en)
Other versions
CN113468245A (zh
Inventor
李文锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202110814651.4A priority Critical patent/CN113468245B/zh
Publication of CN113468245A publication Critical patent/CN113468245A/zh
Application granted granted Critical
Publication of CN113468245B publication Critical patent/CN113468245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种面向轨道交通应用的动态最小支持度计算方法，包括步骤如下：步骤1、数据剔异，步骤2、以车站属性分类，形成各车站的故障信息；步骤3、产生序列子集：对步骤2中产生的每个车站的故障信息进行以时间顺序排序产生列表；采用非固定窗口的时间序列方法对故障信息进行离散化操作产生新的序列子集；步骤4、拟合曲面方程；步骤5、计算最短距离；计算每个车站第一条故障属性的信息值与各序列子集的最短距离；步骤6、计算平均距离：计算出每个车站第一条故障信息与各序列子集的最短距离的平均值。本发明的一种面向轨道交通应用的动态最小支持度计算方法有效解决了Apriori算法只能凭借经验使用人为设定的最小支持度的问题，提高了Apriori算法的应用效率。

Description

面向轨道交通应用的动态最小支持度计算方法
技术领域
本发明属于数据挖掘技术领域及轨道交通领域，具体涉及面向轨道交通应用的动态最小支持度计算方法。
背景技术
Apriori算法在商品推荐领域应用广泛，可以根据顾客采购的商品清单挖掘出当前比较畅销的商品，帮助商家提前储备及布局商品。在商品推荐领域，商品本身代表一个单一样本，如，商品中的啤酒、尿布等，他们被不同的采购者同时间段采购，这种符合采购人意愿的商品挖掘出来的是商品的相互关联关系。而对于轨道交通系统专用通信系统而言，所有故障都隶属于不同子系统，虽然不是人为控制某子系统故障的发生，但是，其故障的出现跟特定的使用人群、使用环境是有关系的，因此，经过一定的处理，利用Apriori分析轨道交通通信系统的故障是可行的。在Apriori算法应用过程中，最小支持度的值均是根据人的经验初始设定。如果离开人为设定的最小支持度，则Apriori算法无法使用。最小支持度的初始值设定合适的值才能进行有效数据挖掘。如果支持度、置信度阈值设置太低，关联规则会特别多，得到的结果没有价值；如果支持度、置信度阈值设置太高，关联规则会特别少，得到的结果也是没有价值。如何确定最小支持度的值非常重要。有关Apriori算法进行优化的相关研究成果不少，研究成果主要有频繁项集进行优化和关联规则优化两个方关联规则优化方面的研究也是通过事先指定一个全局最小支持度，然后用该支持度与每步频繁项集的支持度进行比较，得到最小支持度。或者用历史数据挖掘出类关联规则集，形成最小支持度。但是，这些关联规则优化都是通过人工加入或利用历史数据统计最小支持度作为参考数据，在实际频繁项集过程中选用最小的最小支持度，其本质没有摆脱设定最小支持度的值的问题。本发明是在结合轨道交通业务的前提下，不依赖历史数据及不需要人工加入初始最小支持度的情况下，利用故障数据，动态生成最小支持度，为轨道交通故障挖掘中的应用提供动态关联规则，满足实际运营需要。
发明内容
针对于上述现有技术的不足，本发明的目的在于不人为提供最小支持度的值时，也能使用改进的Aprior算法，同时提供面向轨道交通应用的动态最小支持度计算方法，以解决Apriori算法在轨道交通故障挖掘中的应用不能提供动态关联规则，只能凭借经验使用人为设定的最小支持度的问题。
为实现上述目的，本发明采用以下技术方案：
一种面向轨道交通应用的动态最小支持度计算方法，包括步骤如下：
步骤1、数据剔异：对故障信息进行数据的规范化，剔除或修正不正确的数据属性；
步骤2、以车站属性分类：根据故障信息的属性中的所属车站对故障信息进行分类，形成各车站的故障信息；故障信息的属性包括故障等级、产生时间、恢复时间、所属子系统、所属车站、所属单元；
步骤3、产生序列子集：对步骤2中产生的每个车站的故障信息以时间顺序排序产生列表；采用非固定窗口的时间序列方法对故障信息进行离散化操作并产生序列子集；
步骤4、拟合曲面方程：利用步骤3产生的序列子集中故障属性信息，计算其对应的曲面方程；
步骤5、计算最短距离：计算每个车站第一条故障属性的信息值与各序列子集的最短距离；
步骤6、计算平均距离：计算出每个车站第一条故障信息与各序列子集的最短距离的平均值。
进一步地，步骤1具体为：
步骤1.1，对于任意的属性值||Xilk||≥0，若||Xilk||＝0，则直接删除此属性对应的数据；i表示车站的序号；
步骤1.2，若相邻序列对应的属性值||Xil-1k||,||Xilk||,||Xil+1k||，满足||Xilk||≥max(||Xil-1k||,||Xil+1k||)，则重新修正属性值
Figure GDA0004151983560000021
δ为剔异化因子，取0-1之间的随机数；
步骤1.3，若相邻序列对应的属性值||Xil-1k||,||Xilk||,||Xil+1k||，满足||Xilk||≤min(||Xil-1k||,||Xil+1k||)，则重新修正属性值
Figure GDA0004151983560000022
δ为剔异化因子，取0-1之间的随机数。
进一步地，步骤2具体为：每个车站形成的故障记录集用Dci表示，Dci＝(Tci1,Tci2,....Tcij)，Tcij表示第i个车站的第j个序列子集，当车站总数为N1时，则i≤N1，当序列子集总数为N2时，则j≤N2。
进一步地，步骤3具体为：
步骤3.1，序列子集Tcij＝(xjl1,xjl2,...,xjlk)，其中xjlk表示的第l条故障的第k个属性，当故障属性总数为N3时，k≤N3；
步骤3.2，波动点判断是根据车站的故障信息中的前后两条记录中时间属性的差值进行判定，对于任意的第l-1，l条故障，对应的时间属性值分别为xjl-11,xjl1，如果xjl1-xjl-11≤η，则称xjl1属性对应的第l条故障为波动点，η为经验修偏值；
步骤3.3，采用非固定窗口的时间序列方法对故障信息进行离散化操作，时间窗口的宽度为ω，ω是一个变化的值，具体值取决于故障记录集每个波动点，ω的第一个值为故障信息的中从第一条记录到第一个波动点的记录总数，ω的第二个值为故障信息的中第一个波动点后的第一条记录到第二个波动点的记录总数，ω的后续值依此类推；
步骤3.4，将每个ω对应的记录合并成一个序列，若ω的总数为N4,则故障序列Dci被分割成N4个子序列。
进一步地，步骤4具体为：
步骤4.1，任意一个序列子集Tcij可以表示为(xj11,xj12,...,xj1k,xj21,xj22,...,xj2k,...,xjN41,xjN42,...,xjN4k)；
步骤4.2，其中，序列子集Tcij中每一组(xjl1,xjl2,...,xjlk)均为故障的属性值，l≤N4；通过这N4组属性值，可以利用最小乘法拟合对应点的曲面方程；
步骤4.3，拟合第j个序列子集对应点的曲面方程为fj(x0,x1,...,xk)＝0，x0,x1,...,xk表示故障属性的变量，x0的取值分别对应每个车站每个序列子集的每条故障属性的第一个值，即x0∈(x10,x20,...,xj0)，x1∈(x11,x21,...,xj1)，依此类推，xk∈(x1k,x2k,...,xjk)。
进一步地，步骤5具体为：计算每个车站第一条的故障对应的属性值(x10,x11,..,x1k)与各序列子集的最短距离；假定曲面上任意一点P，对应的坐标点用P＝(xp0,xp1,..,xpk)表示，满足fj(xp0,xp1,..,xpk)＝0，则可以计算出第一条故障属性对应点的坐标p'＝(x10,x11,..,x1k)到序列子集Tcij的最短距离，dstj＝||(xp0,xp1,..,xpk)-(x10,x11,..,x1k)||。
进一步地，步骤6具体为：第i个车站每个序列子集的平均距离为
Figure GDA0004151983560000031
本发明的有益效果是：
本发明采用将采用故障属性进行分类，然后利用故障属性将各序列子集拟合出曲线方程，计算出最早出现故障的属性与各序列子集对应曲线的最短距离，再将这些距离累加求平均值，即得到最小支持度。以此支持度作为最小支持度作为Apriori算法的关联规则，有效解决了Apriori算法只能凭借经验使用人为设定的最小支持度的问题，提高了Apriori算法的应用效率。
附图说明
图1为本发明的流程图；
图2为本发明的数据剔异示意图；
图3为子数据集最小支持度对速度影响。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
本发明公开了一种面向轨道交通应用的动态最小支持度计算方法，如图1所示。
假定收到一组故障信息数据，如表一所示的22条数据，其中车站共7座，共有车站cld，对应车站序号1,车站gg，对应车站序号2，车站jx,对应车站序号3，车站jyz,对应车站序号4，车站gg,对应车站序号5，车站tcc,对应车站序号6和车站hw，对应车站序号7。故障属性为第1个属性，产生时间为第2个属性，恢复时间为第3个属性，所属子系统为第4个属性，所属车站为第5个属性，所属单元为第6个属性。以下表22组数据为例，以产生时间属性值产生数据子集，具体实施过程如下：
表一
Figure GDA0004151983560000041
Figure GDA0004151983560000051
步骤1、数据剔异：对故障信息进行数据的规范化，剔除或修正不正确的数据属性。
如图2所示表示某车站(车站序号：i)的数据剔异，将本站内每条故障的k个属性进行比较，第l-1，l，l+1条故障分别表示相邻序号的故障，其第k个的属性的值分别表示为||Xil-1k||,||Xilk||,||Xil+1k||；
对于任意的属性值||Xilk||≥0，若||Xilk||＝0，则直接删除此属性对应的数据；i表示车站的序号；
若相邻序列对应的属性值||Xil-1k||,||Xilk||,||Xil+1k||，满足||Xilk||≥max(||Xil-1k||,||Xil+1k||)，则重新修正属性值
Figure GDA0004151983560000052
δ为剔异化因子，取0-1之间的随机数；
若相邻序列对应的属性值||Xil-1k||,||Xilk||,||Xil+1k||，满足||Xilk||≤min(||Xil-1k||,||Xil+1k||)，则重新修正属性值
Figure GDA0004151983560000053
δ为剔异化因子，取0-1之间的随机数。
对于任意的属性值||Xilk||≥0，若||Xilk||＝0，则直接删除此属性对应的数据；
根据提供的22条数据，可以看到序号为3的数据中，其产生时间属性为空，即||Xilk||＝||X132||＝0，序号为14的数据中，其所属子系统属性为空，即||Xilk||＝||X1142||＝0，序号为22的数据中，其所属车站属性为空，即||Xilk||＝||X1222||＝0，这3条数据直接删除。将所有相邻序列对应的属性值||Xil-1k||,||Xilk||,||Xil+1k||进行比较，都不满足||Xilk||≥max(||Xil-1k||,||Xil+1k||)及||Xilk||≤min(||Xil-1k||,||Xil+1k||)，以上表中第1、2、4条故障为例，其中第4条故障经过1.1后序号变成第二，
Figure GDA0004151983560000061
不满足||X121||≥max(||X112||,||X132||)及||X121||≤min(||X112||,||X132||)则不需要重新修正属性值。
步骤2、以车站属性分类：根据故障信息的属性中的所属车站对故障信息进行分类，故障信息的属性包括故障等级、产生时间、恢复时间、所属子系统、所属车站、所属单元，形成各车站的故障信息，以所属车站为cld为例，列出对应的故障信息，如表二所示。
表二
Figure GDA0004151983560000062
形成第一个车站的故障记录集用Dc1表示，Dc1＝(Tc11,Tc12,....Tc1j)。Tc1j表示第1个车站的第j个序列子集。当车站总数为N1时，则i≤N1，当序列子集总数为N2时，则j≤N2。
步骤3、产生序列子集：对2)产生的每个车站的故障信息进行以时间顺序排序产生列表；并以固定的时间间隔的故障信息产生新的序列子集。
步骤3.1、序列子集Tcij＝(xjl1,xjl2,...,xjlk)；
步骤3.2、波动点判断：是根据车站的故障信息中的前后两条记录中时间属性的差值进行判定，η为经验修偏值10ms，对于任意的第l-1，l条故障，对应的时间属性值分别为xjl-11,xjl1，如果xjl1-xjl-11≤η，则称xjl1属性对应的第l条故障为波动点，η为经验修偏值；
步骤3.3、采用非固定窗口的时间序列方法对故障信息进行离散化操作，时间窗口的宽度为ω，如表三所示；
表三
Figure GDA0004151983560000063
Figure GDA0004151983560000071
序列子集：
Tc11＝(3，2019/6/23 5:11:03,2019/6/23 5:11:06，cs,S3-5，
2，2019/6/23 5:11:06,2019/6/23 5:11:08，cs,S3-5)
Tc12＝(2，2019/6/23 5:11:28,2019/6/23 5:11:30，cs,S3-5)
Tc13＝(3，2019/6/23 5:11:49,2019/6/23 5:11:51，cs,S3-5，
2，2019/6/23 5:11:51,2019/6/23 5:12:28，cs,S3-5)
Tc14＝(3，2019/6/23 5:12:24,2019/6/23 5:12:26，cs,S3-5)
步骤3.4、每个ω对应的记录合并成一个序列，形成的序列子集总数N4＝4。
步骤4、拟合曲面方程：利用步骤3产生的序列子集中故障属性信息，计算其对应的曲面方程；
步骤4.1、对于第一车站的4个数据子集中，每个数据子集均由故障的属性组成，如序列子集Tc12由(2，2019/6/23 5:11:28,2019/6/23 5:11:30，cs,S3-5)属性组成。
步骤4.2、利用第一个车站所有序列子集的属性集，利用最小乘法拟合对应属性的曲面方程；
步骤4.3，拟合第j个序列子集对应点的曲面方程为fj(x0,x1,...,xk)＝0，x0,x1,...,xk表示故障属性的变量，x0的取值分别对应每个车站每个序列子集的每条故障属性的第一个值，即x0∈(x10,x20,...,xj0)，x1∈(x11,x21,...,xj1)，依此类推，xk∈(x1k,x2k,...,xjk)。
步骤5具体为：计算每个车站第一条的故障对应的属性值(x10,x11,..,x1k)与各序列子集的最短距离；假定曲面上任意一点P，对应的坐标点用P＝(xp0,xp1,..,xpk)表示，满足fj(xp0,xp1,..,xpk)＝0，则可以计算出第一条故障属性对应点的坐标p'＝(x10,x11,..,x1k)到序列子集Tcij的最短距离，dstj＝||(xp0,xp1,..,xpk)-(x10,x11,..,x1k)||。
步骤6、计算平均距离：计算出第一车站第一条故障信息与各序列子集的最短距离的平均值；第1个车站每个序列子集的平均距离为
Figure GDA0004151983560000072
图3为子数据集最小支持度对速度影响，随着子数据集中事务元素的个数不同，算法运行的时间也不同，但是，事务个数达到4时，产生子数据集的时间为0.896ms,运行速度较快。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.一种面向轨道交通应用的动态最小支持度计算方法，其特征在于，包括步骤如下：
步骤1、数据剔异：对故障信息进行数据的规范化，剔除或修正不正确的数据属性；
步骤2、以车站属性分类：根据故障信息的属性中的所属车站对故障信息进行分类，形成各车站的故障信息；故障信息的属性包括故障等级、产生时间、恢复时间、所属子系统、所属车站、所属单元；
步骤3、产生序列子集：对步骤2中产生的每个车站的故障信息以时间顺序排序产生列表；采用非固定窗口的时间序列方法对故障信息进行离散化操作并产生序列子集；
步骤4、拟合曲面方程：利用步骤3产生的序列子集中故障属性信息，计算其对应的曲面方程；
步骤5、计算最短距离：根据曲面方程计算每个车站第一条故障的属性值与各序列子集的最短距离；
步骤6、计算平均距离：计算每个车站第一条故障信息与各序列子集的最短距离的平均值；
其中，步骤3包括：
步骤3.1，序列子集Tcij＝(xjl1,xjl2,...,xjlk)，其中xjlk表示的第l条故障的第k个属性，当故障属性总数为N3时，k≤N3；Tcij为第i个车站的第j个序列子集；
步骤3.2，波动点判断是根据车站的故障信息中的前后两条记录中时间属性的差值进行判定，对于任意的第l-1，l条故障，对应的时间属性值分别为xjl-11,xjl1，如果xjl1-xjl-11≤η，则xjl1属性对应的第l条故障为波动点，η为经验修偏值；
步骤3.3，采用非固定窗口的时间序列方法对故障信息进行离散化操作，时间窗口的宽度为ω，ω是一个变化的值，具体值取决于故障记录集每个波动点，ω的第一个值为故障信息的中从第一条记录到第一个波动点的记录总数，ω的第二个值为故障信息的中第一个波动点后的第一条记录到第二个波动点的记录总数，ω的后续值依此类推；
步骤3.4，将每个ω对应的记录合并成一个序列，当ω的总数为N4,则故障序列Dci被分割成N4个子序列；
步骤4包括：
步骤4.1，任意一个序列子集Tcij表示为(xj11,xj12,...,xj1k,xj21,xj22,...,xj2k,...,xjN41,xjN42,...,xjN4k)；
步骤4.2，其中，序列子集Tcij中每一组(xjl1,xjl2,...,xjlk)均为故障的属性值，l≤N4；通过这N4组属性值，利用最小乘法拟合对应点的曲面方程；
步骤4.3，拟合第j个序列子集对应点的曲面方程为fj(x0,x1,...,xk)＝0，x0,x1,...,xk表示故障属性的变量，x0的取值分别对应每个车站每个序列子集的每条故障属性的第一个值，即x0∈(x10,x20,...,xj0)，x1∈(x11,x21,...,xj1)，依此类推，xk∈(x1k,x2k,...,xjk)。
2.根据权利要求1所述的一种面向轨道交通应用的动态最小支持度计算方法，其特征在于，步骤1具体为：
步骤1.1，对于任意的属性值||Xilk||≥0，若||Xilk||＝0，则直接删除此属性对应的数据；i表示车站的序号；
步骤1.2，若相邻序列对应的属性值||Xil-1k||,||Xilk||,||Xil+1k||，满足||Xilk||≥max(||Xil-1k||,||Xil+1k||)，则重新修正属性值
Figure FDA0004151983550000021
δ为剔异化因子，取0-1之间的随机数；其中，||Xilk||为第i个车站的第l条故障数据的第k个属性的值；||Xil-1k||为第i个车站的第l-1条故障数据的第k个属性的值；||Xil+1k||为第i个车站的第l+1条故障数据的第k个属性的值；
步骤1.3，若相邻序列对应的属性值||Xil-1k||,||Xilk||,||Xil+1k||，满足||Xilk||≤min(||Xil-1k||,||Xil+1k||)，则重新修正属性值
Figure FDA0004151983550000022
δ为剔异化因子，取0-1之间的随机数。
3.根据权利要求1所述的一种面向轨道交通应用的动态最小支持度计算方法，其特征在于，步骤2具体为：每个车站形成的故障记录集用Dci表示，Dci＝(Tci1,Tci2,....Tcij)，Tcij表示第i个车站的第j个序列子集，当车站总数为N1时，则i≤N1，当序列子集总数为N2时，则j≤N2。
4.根据权利要求1所述的一种面向轨道交通应用的动态最小支持度计算方法，其特征在于，步骤5具体为：计算每个车站第一条的故障对应的属性值(x10,x11,..,x1k)与各序列子集的最短距离；假定曲面上任意一点P，对应的坐标点用P＝(xp0,xp1,..,xpk)表示，满足fj(xp0,xp1,..,xpk)＝0，则计算出第一条故障属性对应点的坐标p'＝(x10,x11,..,x1k)到序列子集Tcij的最短距离，dstj＝||(xp0,xp1,..,xpk)-(x10,x11,..,x1k)||。
5.根据权利要求1所述的一种面向轨道交通应用的动态最小支持度计算方法，其特征在于，步骤6具体为：第i个车站每个序列子集的平均距离为
Figure FDA0004151983550000023
CN202110814651.4A 2021-07-19 2021-07-19 面向轨道交通应用的动态最小支持度计算方法 Active CN113468245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110814651.4A CN113468245B (zh) 2021-07-19 2021-07-19 面向轨道交通应用的动态最小支持度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110814651.4A CN113468245B (zh) 2021-07-19 2021-07-19 面向轨道交通应用的动态最小支持度计算方法

Publications (2)

Publication Number Publication Date
CN113468245A CN113468245A (zh) 2021-10-01
CN113468245B true CN113468245B (zh) 2023-05-05

Family

ID=77881158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110814651.4A Active CN113468245B (zh) 2021-07-19 2021-07-19 面向轨道交通应用的动态最小支持度计算方法

Country Status (1)

Country Link
CN (1) CN113468245B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998010538A1 (en) * 1996-09-09 1998-03-12 Leblanc Frederick W Location of a mobile station using a plurality of commercial wireless infrastructures
CA2307520A1 (en) * 1999-04-29 2000-10-29 Telecommunications Research Laboratories Method for protecting a telecommunications network
AU2003229030A1 (en) * 2002-05-10 2003-11-11 Agentarts, Inc. Expert database forward back link weighted association rules
CA2710574A1 (en) * 2007-11-08 2009-05-14 32 Mott Street Acquisition I, Llc, D/B/A Wellstat Vaccines Automated systems and methods for obtaining, storing, processing and utilizing immunologic and other information of an individual and population for various uses
WO2012137229A1 (en) * 2011-04-08 2012-10-11 Castorina Silvestro Coupled-track train for high-speed transport
CN103345207A (zh) * 2013-05-31 2013-10-09 北京泰乐德信息技术有限公司 一种轨道交通监控数据的挖掘分析与故障诊断系统
CN103760901A (zh) * 2013-12-31 2014-04-30 北京泰乐德信息技术有限公司 一种基于关联规则分类器的轨道交通故障识别方法
CN104038957A (zh) * 2014-06-13 2014-09-10 杭州大光明通信系统集成有限公司 一种基于一体化结构的4g基站运维信息分析处理方法
CN104464344A (zh) * 2014-11-07 2015-03-25 湖北大学 一种车辆行驶路径预测方法及系统
CN105225165A (zh) * 2014-07-02 2016-01-06 深圳供电局有限公司 一种基于Apriori算法的变电站电压暂降特性分析方法
EP3444791A2 (en) * 2017-08-13 2019-02-20 IATAS Automatic Air Traffic Control Ltd System and methods for automated airport air traffic control services
CN110071753A (zh) * 2018-01-23 2019-07-30 中天射频电缆有限公司 轨道交通无线通信方法及系统
WO2019148188A1 (en) * 2018-01-29 2019-08-01 Interdigital Patent Holdings, Inc. Methods of a mobile edge computing (mec) deployment for unmanned aerial system traffic management (utm) system applications
CN111044845A (zh) * 2019-12-25 2020-04-21 国网天津市电力公司 基于Apriori算法的配电网事故识别方法及系统
CN111161561A (zh) * 2019-12-31 2020-05-15 南京陶特思软件科技有限公司 一种基于大数据的公共交通系统
CN112085618A (zh) * 2020-06-16 2020-12-15 西安交通大学 一种基于频繁项集的配电设备故障因素关联性挖掘方法
CN112529232A (zh) * 2019-08-30 2021-03-19 比亚迪股份有限公司 车站设备故障预测方法、系统及轨道交通管理系统
CN112765469A (zh) * 2021-01-25 2021-05-07 东北大学 一种从Web点击流数据中挖掘代表序列模式的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882634B2 (en) * 2000-04-07 2005-04-19 Broadcom Corporation Method for selecting frame encoding parameters to improve transmission performance in a frame-based communications network
US8970701B2 (en) * 2011-10-21 2015-03-03 Mesa Engineering, Inc. System and method for predicting vehicle location
US10681490B2 (en) * 2014-09-03 2020-06-09 CloudLeaf, Inc. Events based asset location and management system
US11436544B2 (en) * 2014-09-03 2022-09-06 CloudLeaf, Inc. System for managing an industrial workflow

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998010538A1 (en) * 1996-09-09 1998-03-12 Leblanc Frederick W Location of a mobile station using a plurality of commercial wireless infrastructures
CA2307520A1 (en) * 1999-04-29 2000-10-29 Telecommunications Research Laboratories Method for protecting a telecommunications network
AU2003229030A1 (en) * 2002-05-10 2003-11-11 Agentarts, Inc. Expert database forward back link weighted association rules
CA2710574A1 (en) * 2007-11-08 2009-05-14 32 Mott Street Acquisition I, Llc, D/B/A Wellstat Vaccines Automated systems and methods for obtaining, storing, processing and utilizing immunologic and other information of an individual and population for various uses
WO2012137229A1 (en) * 2011-04-08 2012-10-11 Castorina Silvestro Coupled-track train for high-speed transport
CN103345207A (zh) * 2013-05-31 2013-10-09 北京泰乐德信息技术有限公司 一种轨道交通监控数据的挖掘分析与故障诊断系统
CN103760901A (zh) * 2013-12-31 2014-04-30 北京泰乐德信息技术有限公司 一种基于关联规则分类器的轨道交通故障识别方法
CN104038957A (zh) * 2014-06-13 2014-09-10 杭州大光明通信系统集成有限公司 一种基于一体化结构的4g基站运维信息分析处理方法
CN105225165A (zh) * 2014-07-02 2016-01-06 深圳供电局有限公司 一种基于Apriori算法的变电站电压暂降特性分析方法
CN104464344A (zh) * 2014-11-07 2015-03-25 湖北大学 一种车辆行驶路径预测方法及系统
EP3444791A2 (en) * 2017-08-13 2019-02-20 IATAS Automatic Air Traffic Control Ltd System and methods for automated airport air traffic control services
CN110071753A (zh) * 2018-01-23 2019-07-30 中天射频电缆有限公司 轨道交通无线通信方法及系统
WO2019148188A1 (en) * 2018-01-29 2019-08-01 Interdigital Patent Holdings, Inc. Methods of a mobile edge computing (mec) deployment for unmanned aerial system traffic management (utm) system applications
CN112529232A (zh) * 2019-08-30 2021-03-19 比亚迪股份有限公司 车站设备故障预测方法、系统及轨道交通管理系统
CN111044845A (zh) * 2019-12-25 2020-04-21 国网天津市电力公司 基于Apriori算法的配电网事故识别方法及系统
CN111161561A (zh) * 2019-12-31 2020-05-15 南京陶特思软件科技有限公司 一种基于大数据的公共交通系统
CN112085618A (zh) * 2020-06-16 2020-12-15 西安交通大学 一种基于频繁项集的配电设备故障因素关联性挖掘方法
CN112765469A (zh) * 2021-01-25 2021-05-07 东北大学 一种从Web点击流数据中挖掘代表序列模式的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Youcef Djenouri.A Survey on Urban Traffic Anomalies Detection Algorithms.《 IEEE Access》.2019,第7卷12192 - 12205. *
李文锋.改进的Apriori算法在集中告警系统中的应用研究.《金陵科技学院学报》.2021,7-11+32. *
王慧.聚类分析与分类分析在轨道交通系统中的应用.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2012,C033-45. *

Also Published As

Publication number Publication date
CN113468245A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN108564129B (zh) 一种基于生成对抗网络的轨迹数据分类方法
CN101567043A (zh) 基于分类识别的人脸跟踪方法
CN110111113B (zh) 一种异常交易节点的检测方法及装置
CN104298981A (zh) 人脸微表情的识别方法
CN106441316A (zh) 一种基于历史数据的单点路网匹配方法
CN105224937A (zh) 基于人体部件位置约束的细粒度语义色彩行人重识别方法
CN107832631A (zh) 一种数据发布的隐私保护方法和系统
Feng et al. Random feature mapping with signed circulant matrix projection
CN104881871A (zh) 基于改进多目标和声搜索算法的交通图像分割方法
EP4209959A1 (en) Target identification method and apparatus, and electronic device
CN111861756A (zh) 一种基于金融交易网络的团伙检测方法及其实现装置
CN108256473A (zh) 用于数据扩增的方法、装置和系统、计算机可读存储介质
CN107452403A (zh) 一种说话人标记方法
CN110991527A (zh) 一种考虑电压曲线平均波动率的相似度阈值确定方法
CN113468245B (zh) 面向轨道交通应用的动态最小支持度计算方法
CN103366009A (zh) 一种基于自适应聚类的图书推荐方法
CN106599227A (zh) 用于获取基于属性值的对象之间的相似度的方法与装置
CN106204140A (zh) 一种基于kl距离的群体观点迁移检测方法
CN108388745A (zh) 基于分布并行局部优化参数的最小二乘支持向量机软测量方法
CN110197501A (zh) 图像处理方法和设备
CN106651461A (zh) 基于灰理论的电影个性化推荐方法
CN111738059B (zh) 一种面向无感场景的人脸识别方法
CN110879893A (zh) 基于区块链和云计算的物流供应链大数据处理系统
CN113537308B (zh) 基于本地化差分隐私的两阶段k-means聚类处理系统及方法
CN108647592A (zh) 基于全卷积神经网络的群体异常事件检测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant