基于FP-Growth算法和GRNN的电力知识文本挖掘

• 作者: 白勇 张占龙 熊隽迪
• 来源期刊: 计算机科学
• 关键词: 电力文本挖掘 FP-Growth算法 广义回归神经网络 平滑因子 频繁集
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 数据库&大数据&数据科学费|Database & Big Data & Data Science
• 页码范围: 86-90
• 页数: 5页
• 分类号: TP391.1
• 语种: 中文
• DOI: 10.11896/jsjkx.210600031

摘要

为了提高电力知识文本挖掘的性能,采用FP-Growth算法对影响电力需求的强关联因素进行挖掘,运用广义回归神经网络(General Regression Neural Network,GRNN)算法实现电力需求预测.首先,对待挖掘的电力文本进行指标提取并编码,生成电力文本初始FP-Tree;接着采用FP-Growth算法遍历所有FP-Tree,生成频繁集,过滤掉小于最小支持度的项,留下频数较高的频繁项;然后根据更新后的FP-Tree统计关联项,选择与总用电量增长率关联强的变量生成训练样本;最后采用GRNN算法对电力需求文本进行训练,输入电力需求预测样本,设置平滑因子,通过模式层的输出和加权求和来获得电力需求预测结果.实验结果证明,通过合理设置最小支持度和GRNN的平滑因子,能够获得较好的电力文本挖掘性能,与常用挖掘算法相比,所提算法能够获得更高的电力需求预测准确率.