[发明专利]一种基于Apriori的公安交管业务异常数据研判方法

摘要

本发明公开了一种基于Apriori的公安交管业务异常数据研判方法，其步骤如下：针对数据库中的数量属性字段，利用极大极小值、线性模型或者确定性的函数关系模型识别异常数据；整合数据库中未建立异常数据识别规则的字段，建立数据库D2，对数据库D2中的数量属性字段进行离散化；根据Apriori算法，生成候选项集Ck和频繁项集Lk。当数据库D2增加新的数据集d时，引入参数i(1i∞)，计算新的频繁项集Lk’。根据强关联规则和交管业务历史数据，建立数据异常研判模型。该方法建立了异常数据研判模型，能够快速有效地检测到交管业务数据中的异常数据，解决目前公安交管业务数据存在大量异常数据人工分析效率低、范围小等实际问题。

主权项

1.一种基于Apriori的公安交管业务异常数据研判方法，其特征在于，所述的方法的步骤如下：步骤一：建立公安交管业务数据库D1公安交管业务数据包括机动车登记数据、驾驶证管理数据、交通事故处理数据、交通违法处理数据、剧毒化学品公路运输数据、交警队基础信息数据；将上述数据存储到所述公安交管业务数据库D1中；步骤二：针对数据库D1中的数量属性字段，利用极大极小值、线性模型或者确定性的函数关系模型识别异常数据；通过极大极小值建立字段的正常逻辑范围，当该字段的输入数据超出正常范围时，则判定为异常数据；对存在一元线性关系的字段，建立线性模型，偏离直线的数值判定为异常数据；对存在其他确定性函数关系的字段，建立函数关系，判断数据异常；步骤三：整合数据库D1中未建立异常数据识别规则的字段，建立数据库D2，对数据库D2中的数量属性字段进行离散化；步骤四：根据Apriori算法，生成候选项集和频繁项集设置Apriori算法的最小支持度min_sup和最小置信度min_conf；扫描数据库D2，计算D2中每个数据项出现的次数，生成候选1项集C₁；计算C₁中每个项的支持度，若支持度大于等于最小支持度，则从C₁中确定频繁1项集L₁；将L₁与自身相连接产生候选2项集C₂；计算C₂中每个项的支持度，若支持度大于等于最小支持度，则从C₂中确定频繁项集L₂，以此类推得到不同频繁项集L₃……L_k‑1、L_k，其中L_k‑1表示频繁k‑1项集，L_k表示频繁k项集；步骤五：当数据库D2增加新的数据集d时，引入参数i(1<i<∞)，计算新的频繁项集L_k’。保存原数据库中支持度不小于min_sup/i的频繁项目集和新增的数据集；计算新的频繁项集时，不再扫描整个数据库，只扫描原数据库中支持度不小于min_sup/i的频繁项目集和和新增的数据集，缩短扫描时间；步骤六：计算强关联规则从频繁项集中生成关联规则，计算每个关联规则的置信度，若置信度大于等于最小置信度，则将该关联规则定义为强关联规则；步骤七：根据强关联规则和交管业务历史数据，建立数据异常研判模型；步骤八：向训练好的模型中传入实时交管业务数据，从而实时判断是否出现业务异常数据。