【正文】 為了避免這種偶然因素帶來的干擾，所以決定對于所有得到的關(guān)聯(lián)因素進行逆序處理，重新計算更改順序后的兩個關(guān)聯(lián)因素的支持度與置信度，并且認為只有當兩者的置信度都大于最小置信度時，該關(guān)聯(lián)規(guī)則涉及的兩個配額類別才構(gòu)成一個真正的強關(guān)聯(lián)關(guān)系。然而二者高達 80%的置信度，說明這個兩個類別之間一定存在某種隱含的關(guān)聯(lián)。需要說明的是，由于在此次招標中上海企業(yè)在歐盟 115 類別上沒有一家企業(yè)中標，所以根據(jù) 2022 年度企業(yè)的 115 類實際使用情況，將該類別的最24 / 51小支持度規(guī)定為 5%。表 選取的上海代表企業(yè)主要經(jīng)營類別情況表企業(yè)代碼 企業(yè) 經(jīng)營類別3100132205286 A 4 5 16 7 263100746178120 B 8 6 26 15 ex273100132212080 C 5 4 6 26 73100631289816 D 7 5 15 26 43100703442876 E 2a 6 2 26 　3100132208102 F 84 20 39 26 　23 / 513100132205761 G 19 40 20 39 1183100132215150 H 156 39 29 31 863100132212400 I ex20 ex13 7 5 263100132229931 J 15 26 27 29 63100631655054 K 7 5 4 86 313100132207812 L 27 26 6 2n 23100133762615 M 31 20 5 4 393100132207484 N 2n 2 7 20 393100631459424 O 115 2 117 2n 　310013221131X P 5 4 7 20 393100132209498 Q 2n 8 6 7 23100132225391 R 8 15 5 7 43100703418307 S 2 2n 29 31 863100132291989 T 26 31 15 6 86310073810827X U 20 7 8 4 393100100028692 V 115 29 83 117 　3100132204910 W 118 39 31 83 203100132221956 X 120 8 16 20 53100607415392 Y ex27 31 86 263100631375239 Z 16 5 26 29 153100734555937 A1 86 5 4 31 　3100739046170 B1 7 20 4 5 26通過觀查表 ，可以非常清楚地發(fā)現(xiàn)絕大部分企業(yè)對于配額類別還是非常依賴，幾乎每一家企業(yè)的主營商品都涉及到配額類商品。公開招標類別的總投放數(shù)量規(guī)定為雙邊紡織品協(xié)議達成數(shù)量的 30%，其余的 70%的數(shù)量仍然實行老的分配方法，由各級外貿(mào)主管機管進行分配。 應用關(guān)聯(lián)分析挖掘紡織品招標配額資源紡織品配額管理是紡織品出口管理工作的核心內(nèi)容，由于配額資源的稀缺性以及配額商品對非配額商品出口的拉動效應，所以全國各地的外貿(mào)主管機關(guān)都對于配額的合理運用都非常重視，紛紛開展對配額招標類別的相關(guān)信息的研究。而且正在使用的系統(tǒng)并不能夠直接提供挖掘功能，所以使用者必須先從系統(tǒng)中進行大量繁瑣的查詢工作，然后將有關(guān)數(shù)據(jù)導出，重新進行制表分析，這樣的出來的分析的效率很低，而且結(jié)果的準確性與即時性難以得到保證。目前招標一般全國安排 2 次以上，根據(jù)以往歷年來的經(jīng)驗判斷，每次招標每個類別的價格都有不少波動，但基本上都還是可以有一定規(guī)律的，應該說，經(jīng)過多年的實戰(zhàn)，有關(guān)方面還是積累了相當?shù)慕?jīng)驗的。因為這不僅有利于營造一個公平、公正的外貿(mào)環(huán)境、使所有企業(yè)在同一條起跑線上進行自由競爭，而更重要的是有利于本市出口規(guī)模和質(zhì)量的提高。紡織品服裝的配額分配紡織品服裝的配額分配是計劃與貿(mào)管處的核心工作，也是一項政策敏感性很高的工作。該系統(tǒng)采用POWERBUILD 工具開發(fā)，通過每個月從上海海關(guān)倒入通關(guān)數(shù)據(jù)的方式來了解全市的出口動態(tài)，目前外經(jīng)貿(mào)動態(tài)中的數(shù)據(jù)都是來自于此系統(tǒng)。圖 許可證發(fā)證系統(tǒng)功能模塊架構(gòu)圖紡織品主動配額臨時許可證網(wǎng)上簽證管理系統(tǒng)該系統(tǒng)是 2022 年配額取消后，為了應對我國紡織品服裝商品出口數(shù)量爆炸性增長而引起國際貿(mào)易摩擦而開發(fā)的一套基于 Web 的在線簽證系統(tǒng)，用于簽發(fā)中歐、中美紡織品協(xié)議中不涉及配額限制的商品的臨時許可證的簽發(fā)工作。目前為了完成上述工作，分別使用下列各個分散的系統(tǒng)來實現(xiàn)管理職能。周期模式挖掘的類型主要有：（1）挖掘全周期模式，即每一時間點對時序數(shù)據(jù)的周期有影響（精確或近似） 。對時序數(shù)據(jù)進行相似搜索通常使用歐幾里德距離作為相似計算的依據(jù)。對給定的一組值（y 1,y2,…,yn,? …）計算 n 階移動平均值序列：（y 1 + y2 + ?????? yn） / n（y 2 + y3 + ???????yn+1） / n（y 3 + y4 + ?????? y n+2） / n???????使用移動平均值序列代替時序序列可減少不希望出現(xiàn)的波動，故又稱為時序數(shù)據(jù)的平滑。下面就分別針對這三種時序數(shù)據(jù)挖掘的類型結(jié)合具體的挖掘方法進行介紹。劃分的 K平均算法基于簇中對象的平均值輸入：簇的數(shù)目 K 和包含 n 個對象的數(shù)據(jù)庫輸出：K 個簇，使平方誤差準則最小方法：任意選擇 K 個對象作為初始的簇中心；REPEAT根據(jù)簇中對象的平均值，將每個對象（重新）賦給最類似的簇；更新簇的平均值，即計算每個簇中對象的平均值； UNTIL 不再發(fā)生變化。也就是說，每個簇都不會再發(fā)生變化。K 中心點算法。如果聚類分析被用做描述或探察的工具，可以對同樣的數(shù)據(jù)嘗試多種算法，以發(fā)現(xiàn)數(shù)據(jù)可能揭示的結(jié)果。聚類分析是一種數(shù)據(jù)簡化技術(shù)，它把基于相似數(shù)據(jù)特征的變量或個案組合在一起。聚類分析已經(jīng)廣泛的用在許多應用中，包括模式識別、數(shù)據(jù)分析、圖象處理以及市場研究。為了提高Apriori 算法的效率，已經(jīng)提出了許多 Apriori 算法的變形，這里囿于篇幅就不再進一步展開了。然而，C k 可能很大，這樣所涉及的計算量就很大。其基本思想是：通過掃描數(shù)據(jù)集，產(chǎn)生一個大的候選數(shù)據(jù)項集,并計算每個候選數(shù)據(jù)項發(fā)生的次數(shù)，然后基于預先給定的最小支持度生成頻繁 1項集的集合，該集合記作 L1；基于 L1 和數(shù)據(jù)集中的數(shù)據(jù)，產(chǎn)生頻繁 2項集 L2；用同樣的方法，直到生成頻繁 n項集 Ln，其中已不再可能生成滿足最小支持度的（n+1）－項集；從頻繁項集中導出規(guī)則。它的各種變形，用于提高算法的效率和可伸縮性。如果項集的出現(xiàn)頻率大于或等于最小支持度 s 與 D中事務總數(shù)的乘積，則稱該項集滿足最小支持度 s?；谝?guī)則中涉及到的數(shù)據(jù)的維數(shù)基于規(guī)則中涉及到的數(shù)據(jù)的維數(shù),關(guān)聯(lián)規(guī)則可以分為單維的和多維的。在了解了有關(guān)關(guān)聯(lián)規(guī)則的幾個定義后，再來理解關(guān)聯(lián)規(guī)則挖掘就容易多了，所謂關(guān)聯(lián)規(guī)則挖掘就是指給定一組 Item 和記錄集合，挖掘出 Item 間的相關(guān)性，使其置信度和支持度分別大于用戶給定的最小置信度和、最小支持度 [16]。定義 2 關(guān)聯(lián)規(guī)則 X =〉Y 對事務集 D 的支持度（support）定義為 D 中包含有事務 X 和 Y 的百分比?，F(xiàn)在，關(guān)聯(lián)規(guī)則的挖掘已經(jīng)從單一概念層次關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)發(fā)展到多概念層次的關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)，并把研究的重點放在提高算法的效率和規(guī)?？墒湛s性上。偏差檢測偏差檢測（Deviation Detection）用于檢測并解釋數(shù)據(jù)分類的偏差，它有助于濾掉知識發(fā)現(xiàn)引擎所抽取的無關(guān)信息，也可濾掉那些不合適的數(shù)據(jù)，同時可產(chǎn)生新的關(guān)注性事實。相似的程度可以通過距離函數(shù)來表示，由用戶或?qū)＜抑付?。建立預測模型（Predictive Modeling）的常用方法有回歸分析、線性模型、關(guān)聯(lián)規(guī)則、決策樹預測、遺傳算法、神經(jīng)網(wǎng)絡等。數(shù)據(jù)挖掘是 OLAP（Online Analytical Processing聯(lián)機分析處理，簡稱 OLAP）的高級階段 [11]。在了解現(xiàn)有管理方式的現(xiàn)狀與不足的基礎上，第二章簡要介紹了作為解決方案所需的數(shù)據(jù)挖掘方面的基礎知識。本文在仔細分析上述三個具體應用需求的基礎上，發(fā)現(xiàn)其核心要素就是提高配額資源的利用率。更不用說在此基礎上進行深層次的數(shù)據(jù)分析，進行科學的決策了。這在一定程度上也彌補了傳統(tǒng)的基數(shù)分配方式的不足。外貿(mào)出口管理部門除了行使上面提到的配額分配、配額招標兩項管理職能之外，平時最主要的事務性工作就要數(shù)許可證的申領(lǐng)與簽發(fā)了。配額分配包括無償?shù)幕鶖?shù)分配和有償?shù)恼袠朔峙鋬煞N。我國自2022年12月11日加入世貿(mào)組織（WTO）后，按照 ATC協(xié)議的有關(guān)規(guī)定，在2022年1月1日以后紡織品出口將不再受到配額的數(shù)量限制。2022年紡織品服裝類商品的出口金額占同期所有商品出%，紡織業(yè)對國民經(jīng)濟的影響力系數(shù)，高過全部17個行業(yè)的平均值25% 。在分析了外經(jīng)貿(mào)委計劃與貿(mào)管處對紡織品服裝出口管理具體需求的基礎上，圍繞提高配額使用效率這一管理工作中的核心要素，從挖掘配額資源潛力和甄別配額用戶兩個方面展開數(shù)據(jù)挖掘。首先運用關(guān)聯(lián)分析方法了對配額資源進行挖掘，分析了特定配額之間以及配額與非配額商品之間的關(guān)聯(lián)程度，接著選擇時序分析對上述挖掘結(jié)果從周期性、季節(jié)性等角度進行論證，最后運用了聚類分析對不同類型的企業(yè)的出口特點進行了挖掘歸類?？梢哉f，紡織品服裝出口形勢的好壞將直接關(guān)系到我國國際收支平衡狀況。可是由于我國入世時特保條款的存在（即著名的242條款） ，情況并沒有得到根本性的改善。配額分配多年來都是按照企業(yè)的出口基數(shù)進行分配，企業(yè)憑借其對設限國家的出口實績，按照一定比例所獲得配額數(shù)量。該工作直接面向全市上萬家紡織品外貿(mào)出口企業(yè)，每天要簽發(fā)近千份的許可證，是外經(jīng)貿(mào)委重要的對外窗口之一。此外，在分配過程中，由于缺乏嚴密的數(shù)據(jù)分析支持，往往是憑經(jīng)驗、拍腦袋，分配的結(jié)果并不能夠真正有效地匹配企業(yè)的配額需求。綜上所述，目前紡織品服裝出口管理存在的突出問題就是雖然管理者占有大量的數(shù)據(jù)資源，但是卻沒有真正擁有這些數(shù)據(jù)背后隱藏的知識。為了實現(xiàn)這一管理目標，就需要從配額資源和配額用戶兩個方面展開進一步分析，也就是說，通過對配額資源進行挖掘，充分開發(fā)有限配額資源的潛力，通過對配額用戶——紡織品出口企業(yè)進行挖掘，準確把握各類出口企業(yè)的特點，確保有限的配額資源能夠到最需要、最能體現(xiàn)配額價值的企業(yè)手中。并重點闡述了關(guān)聯(lián)規(guī)則挖掘、時序數(shù)據(jù)挖掘、聚類分析挖掘幾種具體的挖掘方法。數(shù)據(jù)挖掘的任務是從數(shù)據(jù)中發(fā)現(xiàn)模式，在這里所稱的模式，亦即知識，它給出了數(shù)據(jù)特性或數(shù)據(jù)之間的關(guān)系，是對數(shù)據(jù)所包含的信息更抽象的描述 [12]。關(guān)聯(lián)分析關(guān)聯(lián)（Association）規(guī)則描述了一組數(shù)據(jù)項之間的密切度或關(guān)系 [14]。聚類分析是按照某種相近程度度量方法將數(shù)據(jù)分成互不相同的一些分組。模式相似性挖掘8 / 51用于在時間數(shù)據(jù)庫或空間數(shù)據(jù)庫中搜索相似模式時，從所有對象中找出用戶定義范圍內(nèi)的對象；或找出所有元素對，元素對中兩者的距離小于用戶定義的距離范圍。它廣泛地運用于幫助市場導向、商品目錄設計客戶關(guān)系管理（CRM ）和其他各種商業(yè)決策過程中。關(guān)聯(lián)規(guī)則 X =〉Y 對事務集合 D 的置信度（confidence ）定義為 D 中包含有 X 的事務數(shù)與同時包含 Y 的百分比。根據(jù)劃分標準的不同，關(guān)聯(lián)規(guī)則挖掘的可以有如下幾種分類：基于規(guī)則中處理的變量的類別基于規(guī)則中處理的變量的類別,關(guān)聯(lián)規(guī)則可以分為布爾型和數(shù)值型。單維關(guān)聯(lián)規(guī)則是指處理單個維中屬性間的關(guān)系，即在單維的關(guān)聯(lián)規(guī)則中，只涉及到數(shù)據(jù)的一個維。如果項集滿足最小支持度，則稱該項集為頻繁項集（frequent itemset ） 。在說明 Apriori 算法之前，有必要先介紹一下頻繁項集的性質(zhì)，即 Apriori性質(zhì)：頻繁項集的所有非空子集都必須是頻繁的。進一步分析，我們可以看從中看出 Apriori 算法中的關(guān)鍵步驟是由 Lk1 找Lk，該步驟又可分為兩步：連接為找 Lk，通過 Lk1 與自己連接產(chǎn)生候選 K項集的集合。為壓縮 Ck，可以用以下辦法使用 Apriori 性質(zhì)：任何非頻繁的（k1） 項集都不可能是頻繁 k項集的子集。 聚類分析數(shù)據(jù)挖掘方法聚類（clustering）是將物理或抽象對象的集合分組成為多個類或簇（cluster）的過程，使得在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。通過聚類，人能夠識別密集的和稀疏的區(qū)域，因而發(fā)現(xiàn)全局的分布模式，以及數(shù)據(jù)屬性之間的有趣的相互關(guān)系。聚類分析源于許多研究領(lǐng)域，包括數(shù)據(jù)挖掘、統(tǒng)計學、生物學以及機器學習。主要的聚類分析方法有：基于劃分的方法、基于層次的方法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法。在該算法中每個簇用接近聚類中心的一個對象來表示。這時認為本算法可以結(jié)束了。 時序規(guī)則數(shù)據(jù)挖掘方法在介紹時序數(shù)據(jù)挖掘的具體方法之前，有必要先引入時序數(shù)據(jù)庫與序列數(shù)據(jù)庫的相關(guān)概念。時序數(shù)據(jù)的趨勢分析對時序數(shù)據(jù)而言，其變化類型主要有以下幾種：（1）長期趨勢變化所謂長期趨勢變化（Longterm or trend movement）就是反映時序數(shù)據(jù)在較長時間間隔的變化趨勢。如果在計算 n 階移動平均值序列中使用加權(quán)算術(shù)平均，則稱為n 階加權(quán)移動平均。數(shù)據(jù)變換是將數(shù)據(jù)從時域變換為頻域，其目的是提高搜索的效率。（2）挖掘部分周期模式，即描述部分時間點的時序周期。為了幫助讀者在隨后的需求描述中更加準確地把握一些細節(jié)，有必要先對這些目前使