【正文】 為了避免這種偶然因素帶來(lái)的干擾，所以決定對(duì)于所有得到的關(guān)聯(lián)因素進(jìn)行逆序處理，重新計(jì)算更改順序后的兩個(gè)關(guān)聯(lián)因素的支持度與置信度，并且認(rèn)為只有當(dāng)兩者的置信度都大于最小置信度時(shí)，該關(guān)聯(lián)規(guī)則涉及的兩個(gè)配額類別才構(gòu)成一個(gè)真正的強(qiáng)關(guān)聯(lián)關(guān)系。然而二者高達(dá) 80%的置信度，說(shuō)明這個(gè)兩個(gè)類別之間一定存在某種隱含的關(guān)聯(lián)。需要說(shuō)明的是，由于在此次招標(biāo)中上海企業(yè)在歐盟 115 類別上沒有一家企業(yè)中標(biāo)，所以根據(jù) 2022 年度企業(yè)的 115 類實(shí)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(yíng)類別情況表企業(yè)代碼 企業(yè) 經(jīng)營(yíng)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(guò)觀查表 ，可以非常清楚地發(fā)現(xiàn)絕大部分企業(yè)對(duì)于配額類別還是非常依賴，幾乎每一家企業(yè)的主營(yíng)商品都涉及到配額類商品。公開招標(biāo)類別的總投放數(shù)量規(guī)定為雙邊紡織品協(xié)議達(dá)成數(shù)量的 30%，其余的 70%的數(shù)量仍然實(shí)行老的分配方法，由各級(jí)外貿(mào)主管機(jī)管進(jìn)行分配。 應(yīng)用關(guān)聯(lián)分析挖掘紡織品招標(biāo)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(duì)非配額商品出口的拉動(dòng)效應(yīng)，所以全國(guó)各地的外貿(mào)主管機(jī)關(guān)都對(duì)于配額的合理運(yùn)用都非常重視，紛紛開展對(duì)配額招標(biāo)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(jìn)行大量繁瑣的查詢工作，然后將有關(guān)數(shù)據(jù)導(dǎo)出，重新進(jìn)行制表分析，這樣的出來(lái)的分析的效率很低，而且結(jié)果的準(zhǔn)確性與即時(shí)性難以得到保證。目前招標(biāo)一般全國(guó)安排 2 次以上，根據(jù)以往歷年來(lái)的經(jīng)驗(yàn)判斷，每次招標(biāo)每個(gè)類別的價(jià)格都有不少波動(dòng)，但基本上都還是可以有一定規(guī)律的，應(yīng)該說(shuō)，經(jīng)過(guò)多年的實(shí)戰(zhàn)，有關(guān)方面還是積累了相當(dāng)?shù)慕?jīng)驗(yàn)的。因?yàn)檫@不僅有利于營(yíng)造一個(gè)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(jìn)行自由競(jìng)爭(zhēng)，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(jì)劃與貿(mào)管處的核心工作，也是一項(xiàng)政策敏感性很高的工作。該系統(tǒng)采用POWERBUILD 工具開發(fā)，通過(guò)每個(gè)月從上海海關(guān)倒入通關(guān)數(shù)據(jù)的方式來(lái)了解全市的出口動(dòng)態(tài)，目前外經(jīng)貿(mào)動(dòng)態(tài)中的數(shù)據(jù)都是來(lái)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(dòng)配額臨時(shí)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(yīng)對(duì)我國(guó)紡織品服裝商品出口數(shù)量爆炸性增長(zhǎng)而引起國(guó)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(shí)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(gè)分散的系統(tǒng)來(lái)實(shí)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(shí)間點(diǎn)對(duì)時(shí)序數(shù)據(jù)的周期有影響（精確或近似） 。對(duì)時(shí)序數(shù)據(jù)進(jìn)行相似搜索通常使用歐幾里德距離作為相似計(jì)算的依據(jù)。對(duì)給定的一組值（y 1,y2,…,yn,? …）計(jì)算 n 階移動(dòng)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(dòng)平均值序列代替時(shí)序序列可減少不希望出現(xiàn)的波動(dòng)，故又稱為時(shí)序數(shù)據(jù)的平滑。下面就分別針對(duì)這三種時(shí)序數(shù)據(jù)挖掘的類型結(jié)合具體的挖掘方法進(jìn)行介紹。劃分的 K平均算法基于簇中對(duì)象的平均值輸入：簇的數(shù)目 K 和包含 n 個(gè)對(duì)象的數(shù)據(jù)庫(kù)輸出：K 個(gè)簇，使平方誤差準(zhǔn)則最小方法：任意選擇 K 個(gè)對(duì)象作為初始的簇中心；REPEAT根據(jù)簇中對(duì)象的平均值，將每個(gè)對(duì)象（重新）賦給最類似的簇；更新簇的平均值，即計(jì)算每個(gè)簇中對(duì)象的平均值； UNTIL 不再發(fā)生變化。也就是說(shuō)，每個(gè)簇都不會(huì)再發(fā)生變化。K 中心點(diǎn)算法。如果聚類分析被用做描述或探察的工具，可以對(duì)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(jiǎn)化技術(shù)，它把基于相似數(shù)據(jù)特征的變量或個(gè)案組合在一起。聚類分析已經(jīng)廣泛的用在許多應(yīng)用中，包括模式識(shí)別、數(shù)據(jù)分析、圖象處理以及市場(chǎng)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(jìn)一步展開了。然而，C k 可能很大，這樣所涉及的計(jì)算量就很大。其基本思想是：通過(guò)掃描數(shù)據(jù)集，產(chǎn)生一個(gè)大的候選數(shù)據(jù)項(xiàng)集,并計(jì)算每個(gè)候選數(shù)據(jù)項(xiàng)發(fā)生的次數(shù)，然后基于預(yù)先給定的最小支持度生成頻繁 1項(xiàng)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(xiàng)集 L2；用同樣的方法，直到生成頻繁 n項(xiàng)集 Ln，其中已不再可能生成滿足最小支持度的（n+1）－項(xiàng)集；從頻繁項(xiàng)集中導(dǎo)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(xiàng)集的出現(xiàn)頻率大于或等于最小支持度 s 與 D中事務(wù)總數(shù)的乘積，則稱該項(xiàng)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(gè)定義后，再來(lái)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(duì)事務(wù)集 D 的支持度（support）定義為 D 中包含有事務(wù) 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(diǎn)放在提高算法的效率和規(guī)模可收縮性上。偏差檢測(cè)偏差檢測(cè)（Deviation Detection）用于檢測(cè)并解釋數(shù)據(jù)分類的偏差，它有助于濾掉知識(shí)發(fā)現(xiàn)引擎所抽取的無(wú)關(guān)信息，也可濾掉那些不合適的數(shù)據(jù)，同時(shí)可產(chǎn)生新的關(guān)注性事實(shí)。相似的程度可以通過(guò)距離函數(shù)來(lái)表示，由用戶或?qū)＜抑付?。建立預(yù)測(cè)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(yù)測(cè)、遺傳算法、神經(jīng)網(wǎng)絡(luò)等。數(shù)據(jù)挖掘是 OLAP（Online Analytical Processing聯(lián)機(jī)分析處理，簡(jiǎn)稱 OLAP）的高級(jí)階段 [11]。在了解現(xiàn)有管理方式的現(xiàn)狀與不足的基礎(chǔ)上，第二章簡(jiǎn)要介紹了作為解決方案所需的數(shù)據(jù)挖掘方面的基礎(chǔ)知識(shí)。本文在仔細(xì)分析上述三個(gè)具體應(yīng)用需求的基礎(chǔ)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(shuō)在此基礎(chǔ)上進(jìn)行深層次的數(shù)據(jù)分析，進(jìn)行科學(xué)的決策了。這在一定程度上也彌補(bǔ)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(biāo)兩項(xiàng)管理職能之外，平時(shí)最主要的事務(wù)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(wú)償?shù)幕鶖?shù)分配和有償?shù)恼袠?biāo)分配兩種。我國(guó)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(duì)國(guó)民經(jīng)濟(jì)的影響力系數(shù)，高過(guò)全部17個(gè)行業(yè)的平均值25% 。在分析了外經(jīng)貿(mào)委計(jì)劃與貿(mào)管處對(duì)紡織品服裝出口管理具體需求的基礎(chǔ)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(gè)方面展開數(shù)據(jù)挖掘。首先運(yùn)用關(guān)聯(lián)分析方法了對(duì)配額資源進(jìn)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(shí)序分析對(duì)上述挖掘結(jié)果從周期性、季節(jié)性等角度進(jìn)行論證，最后運(yùn)用了聚類分析對(duì)不同類型的企業(yè)的出口特點(diǎn)進(jìn)行了挖掘歸類?？梢哉f(shuō)，紡織品服裝出口形勢(shì)的好壞將直接關(guān)系到我國(guó)國(guó)際收支平衡狀況?？墒怯捎谖覈?guó)入世時(shí)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(lái)都是按照企業(yè)的出口基數(shù)進(jìn)行分配，企業(yè)憑借其對(duì)設(shè)限國(guó)家的出口實(shí)績(jī)，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(wàn)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(duì)外窗口之一。此外，在分配過(guò)程中，由于缺乏嚴(yán)密的數(shù)據(jù)分析支持，往往是憑經(jīng)驗(yàn)、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(wèn)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(shí)。為了實(shí)現(xiàn)這一管理目標(biāo)，就需要從配額資源和配額用戶兩個(gè)方面展開進(jìn)一步分析，也就是說(shuō)，通過(guò)對(duì)配額資源進(jìn)行挖掘，充分開發(fā)有限配額資源的潛力，通過(guò)對(duì)配額用戶——紡織品出口企業(yè)進(jìn)行挖掘，準(zhǔn)確把握各類出口企業(yè)的特點(diǎn)，確保有限的配額資源能夠到最需要、最能體現(xiàn)配額價(jià)值的企業(yè)手中。并重點(diǎn)闡述了關(guān)聯(lián)規(guī)則挖掘、時(shí)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(wù)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(shí)，它給出了數(shù)據(jù)特性或數(shù)據(jù)之間的關(guān)系，是對(duì)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(xiàng)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(shí)間數(shù)據(jù)庫(kù)或空間數(shù)據(jù)庫(kù)中搜索相似模式時(shí)，從所有對(duì)象中找出用戶定義范圍內(nèi)的對(duì)象；或找出所有元素對(duì)，元素對(duì)中兩者的距離小于用戶定義的距離范圍。它廣泛地運(yùn)用于幫助市場(chǎng)導(dǎo)向、商品目錄設(shè)計(jì)客戶關(guān)系管理（CRM ）和其他各種商業(yè)決策過(guò)程中。關(guān)聯(lián)規(guī)則 X =〉Y 對(duì)事務(wù)集合 D 的置信度（confidence ）定義為 D 中包含有 X 的事務(wù)數(shù)與同時(shí)包含 Y 的百分比。根據(jù)劃分標(biāo)準(zhǔn)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(gè)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(gè)維。如果項(xiàng)集滿足最小支持度，則稱該項(xiàng)集為頻繁項(xiàng)集（frequent itemset ） 。在說(shuō)明 Apriori 算法之前，有必要先介紹一下頻繁項(xiàng)集的性質(zhì)，即 Apriori性質(zhì)：頻繁項(xiàng)集的所有非空子集都必須是頻繁的。進(jìn)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(guò) Lk1 與自己連接產(chǎn)生候選 K項(xiàng)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(xiàng)集都不可能是頻繁 k項(xiàng)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(duì)象的集合分組成為多個(gè)類或簇（cluster）的過(guò)程，使得在同一個(gè)簇中的對(duì)象之間具有較高的相似度，而不同簇中的對(duì)象差別較大。通過(guò)聚類，人能夠識(shí)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(jì)學(xué)、生物學(xué)以及機(jī)器學(xué)習(xí)。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(gè)簇用接近聚類中心的一個(gè)對(duì)象來(lái)表示。這時(shí)認(rèn)為本算法可以結(jié)束了。 時(shí)序規(guī)則數(shù)據(jù)挖掘方法在介紹時(shí)序數(shù)據(jù)挖掘的具體方法之前，有必要先引入時(shí)序數(shù)據(jù)庫(kù)與序列數(shù)據(jù)庫(kù)的相關(guān)概念。時(shí)序數(shù)據(jù)的趨勢(shì)分析對(duì)時(shí)序數(shù)據(jù)而言，其變化類型主要有以下幾種：（1）長(zhǎng)期趨勢(shì)變化所謂長(zhǎng)期趨勢(shì)變化（Longterm or trend movement）就是反映時(shí)序數(shù)據(jù)在較長(zhǎng)時(shí)間間隔的變化趨勢(shì)。如果在計(jì)算 n 階移動(dòng)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(dòng)平均。數(shù)據(jù)變換是將數(shù)據(jù)從時(shí)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(shí)間點(diǎn)的時(shí)序周期。為了幫助讀者在隨后的需求描述中更加準(zhǔn)確地把握一些細(xì)節(jié)，有必要先對(duì)這些目前使