網上銀行數據流頻繁模式挖掘算法研究及應用.pdf

1、隨著信息技術的發(fā)展，如何從爆炸性增長與動態(tài)變化的海量數據中獲取信息與知識，已經成為了企業(yè)乃至國家獲得核心競爭力的關鍵。數據挖掘技術就是為了解決這一問題產生的人工智能技術。但是在股票證券交易的欺詐監(jiān)控、金融轉賬的風險控制、傳感器檢測以及信用卡詐騙的預警等應用場景中提出了更高的實時性要求。針對這些應用場景在上個世紀末提出了數據流的概念。與傳統(tǒng)的數據庫不同，數據流是連續(xù)、有序、無限的，并且數據流上的查詢具有很高的實時性要求，通常只允許一次或很

2、少次數的掃描。利用有限系統(tǒng)資源對海量的數據流進行快速處理以獲取有用信息，為數據挖掘研究帶來了新的機遇和挑戰(zhàn)。
　　 本文針對網上銀行數據流頻繁模式挖掘及相關技術進行了研究。重點研究了以下幾個問題：現有的數據流模型和數據流頻繁模式挖掘算法；金融網上銀行數據流的結構特點、數據特征及其數據模型研究；改進LossyCounting算法提高算法的動態(tài)性；利用基于散列表的數據流頻繁模式挖掘算法MFS-HT挖掘數據流頻繁模式；網上銀行數據流數

3、據結構，以及頻繁模式挖掘系統(tǒng)設計開發(fā)等。本文研究內容和創(chuàng)新工作主要包括以下幾個方面：
　　 首先，對數據流挖掘及其模型等相關理論進行研究，總結出目前該領域的最新研究成果，通過網上銀行數據流的研究總結出網銀數據流的概念與特征，提出網上銀行數據流除了具備數據流的基本特點外，還具備連續(xù)性、多義性、沖突性和海量性等特性。結合網上銀行數據流特征，提出網上銀行數據流時序輪盤模型。
　　 然后，研究分析了現有的數據流頻繁模式挖掘算法。

4、基于數據流時序輪盤模型，提出TTLC（Time-seriesTurnstileLossyCounting）算法提高了LossyCounting算法的動態(tài)性，另外設計并實現基于散列表的數據流頻繁模式挖掘算法MFS-HT，并通過實驗證明算法的時空效率優(yōu)于現有算法。
　　 最后，本文將上述算法編碼實現，集成到了自行設計開發(fā)的網上銀行數據流頻繁模式挖掘系統(tǒng)當中。并使用模擬數據，對系統(tǒng)進行實驗分析與研究。實驗表明系統(tǒng)具有較高的準確性和時間