Có 65% (độ hỗ trợ của dãy ‘TTTT’) khách hàng tiêu thụ nước thỏa mãn dãy <Không giảm, 5> <Không giảm, 6> <Không giảm, 7> <Không giảm, 8> ... Kết quả quá trình thực hiện áp dụng thuật toán AprioriAll cho thấy đa số khách hàng sử dụng nước nhiều nhất trong năm là từ tháng 5 đến tháng 8.
Điều này cho thấy thuật toán khai phá dãy đã nghiên cứu là khả thi và có thể ứng dụng trong thực tế. Từ đó mở ra một hướng khai phá dữ liệu để có thể trả lời các yêu cầu của ban lãnh đạo công ty về phân tích thông tin như khu vực nào có xu hướng tăng hoặc giảm tiêu thụ nước (so với cùng khoảng thời gian trong năm). Mức nước tiêu thụ thông dụng của các khách hàng theo từng nhóm đối tượng.
Khai phá luật dãy Nguyễn Đình Văn
KẾT LUẬN
Thông qua việc tìm hiểu nghiên cứu một số tài liệu khoa học về khai phá luật dãy, luận văn với đề tài “Một số thuật toán khai phá luật dãy và ứng dụng thử nghiệm vào hệ thống quản lý khách hàng và tính hóa đơn nước” tập trung nghiên cứu về các phương pháp khai phá luật dãy, các thuật toán khai phá luật dãy phổ biến hiện nay và ứng dụng vào Hệ thống Quản lý khách hàng và tính hóa đơn nước.
Luận văn đã thực hiện được những kết quả sau đây:
- Trình bày một cách tổng quan lý thuyết cơ bản về khai phá luật dãy, các bước cơ bản trong quá trình khai phá luật dãy, những ứng dụng trong thực tế.
- Luận văn trình bày sơ bộ về Hệ thống Quản lý khách hàng và tính hóa đơn nước. Phân tích và chỉ ra dữ liệu dãy của bài toán trong quá trình xử lý thông tin (Chương 3, mục 3.3) để từ đó đưa ra mô hình thử nghiệm quá trình khai phá luật dãy nhằm mong muốn phát hiện một số luật dãy giúp cho ban lãnh đạo có được những thông tin cần thiết phục vụ công tác quản lý, đưa ra các chính sách kinh doanh, sản xuất hiệu quả.
Lĩnh vực khai phá luật dãy trong các CSDL lớn hiện đang được ứng dụng rộng rãi và là một trong những nội dung trọng tâm của khai phá dữ liệu. Khai phá luật dãy áp dụng cho bài toán này mở ra những định hướng nghiên cứu mới. Tuy nhiên, trong khuôn khổ thời gian và kinh nghiệm có hạn, luận văn mới chỉ dừng lại ở việc nghiên cứu thuật toán và áp dụng cho một phạm vi hẹp, chưa mở rộng giải quyết được nhiều vấn đề cấp thiết của hệ thống. Trong thời gian tới, hướng mở rộng này sẽ được tiếp tục phát triển để có thể hoàn thiện hơn.
Khai phá luật dãy Nguyễn Đình Văn
TÀI LIỆU THAM KHẢO
[1]. Agrawal R., Srikant R. (1995), Mining sequential patterns. In Proceedings of the International Conference on Data Engineering (ICDE): 3–14, IEEE Computer Society.
[2]. Srikant R., Agrawal R. (1996), Mining sequential patterns: generalizations and performance improvements. Proceedings of the International Conference on Extending Data Base Technology (EDBT), Lecture Notes in Computer Science,
1057: 3–17.
[3]. Masseglia F., Teisseire M., Poncelet P. (2005), Sequential pattern mining: A survey on issues and approaches. http://citeseerx.ist.psu.edu/viewdoc/summary?
doi=10.1.1.106.5130.
[4]. Jiawei Han and Micheline Kamber, (2006), Data Mining: Concepts and Techniques 2nd ed, University of Illinois at Urbana-Champaign
[5]. Zhuo Zhang, Lu Zhang, Shaochun Zhong, Jiwen Guan (2008), A New Algorithm for Mining Sequential Patterns, FSKD (2) 2008: 625-629.
[6]. Floriana Esposito, Nicola Di Mauro, Teresa Maria Altomare Basile, Stefano Ferilli (2008), Multi-Dimensional Relational Sequence Mining, Fundam. Inform., 89(1): 23-43.
[7]. Yu Ning, Hongbin Yang (2008), Sequence Mining for User Behavior Patterns in Mobile Commerce, CMECG '08 Proceedings of the 2008 International
Conference on Management of e-Commerce and e-Government: 61-64.
[8]. Chun-Sheng Wang, Anthony J.T. Lee (2009), Mining inter-sequence patterns,
Expert Systems with Applications, 36 (2009): 8649–8658.
[9]. D. Vasumathi, Dr. A. Govardhan, K.Venkateswara Rao (2009), Performance improvement and efficient approach for mining periodic sequential acess patterns, International Journal of Computer Science and Security (IJCSS),2009, 3 (5):358-370.
[10]. Ding-Ying Chiu, Yi-Hung Wu, Arbee L. P. Chen (2009), Efficient frequent
sequence mining by a dynamic strategy switching algorithm, VLDB J. , 18(1):
303-327.
[11]. Karine Zeitouni (2009), From Sequence Mining to Multidimensional Sequence Mining, Mining Complex Data 2009: 133-152.
[12]. Ming-Yen Lin, Sue-Chen Hsueh, Ming-Hong Chen, Hong-Yang Hsu (2009), Mining Sequential Patterns for Image Classification in Ubiquitous Multimedia Systems, Intelligent Information Hiding and Multimedia Signal Processing 2009(IIH-MSP '09): 303-306.
[13]. Manish Gupta, Jiawei Han (2010), Pattern Discovery Using Sequence Data
Mining: Applications and Studies, (adsbygoogle = window.adsbygoogle || []).push({});
http://www.cs.illinois.edu/homes/gupta58/sequence_data _mining.doc.
[14]. M. Gholizadeh, M. M. Pedram, J. Shanbehzadeh (2010), Sequence Mining for Similar Mental Concepts, IMECS 2010: 518-521.
Khai phá luật dãy Nguyễn Đình Văn
[15]. Marc Plantevit, Anne Laurent, Dominique Laurent, Maguelonne Teisseire, Yeow Wei Choong (2010), Mining multidimensional and multilevel sequential patterns, TKDD (2010), 4(1).
[16]. Karam Gouda, Mosab Hassaan, Mohammed J. Zaki (2010), Prism: An effective approach for frequent sequence mining via prime-block encoding, J. Comput. Syst. Sci. 76(1): 88-102.