货运车辆超限行为是破坏交通措施的重要因子，是引发道路交通安全的不安全因素，对道路货运超限行为进行统计、分析、评估和预测，并将预测结果作为依据，制定针对性的治理措施，具有重要意义.对交通运输安全进行预测一直也是交通领域重要的研究课题，文献[1]采用随机、定位和非线性模型对交通安全现状、交通动态趋势进行分析.文献[2]利用灰色预测模型、人工神经网络模型、向量机模型及组合预测模型等对交通事故和交通流量进行预测.文献[3]采用博弈论、风险偏好模型等对超限行为进行对策研究，为交通运输安全管理提供科学依据.

通过对历年道路网货运车辆超限数据进行分析发现，超限行为数据具有空间分散、时序变化和波动性大等特点.使用传统的基于统计预测类的模型和博弈分析模型，对超限流量统计和治超对策研究起到了很好的效果，但未将超限行为的动态性特征体现在预测结果中.

本文研究超限行为道路空间分布特征，动态跟踪超限车辆行驶路径，发现货运车辆选择超限行为时会根据以往行驶路径、检测站点和检测力度等因素动态调整路径，也会综合营运价格、业务比重和季度等因素调整行驶时间，在空间和时间上都表现出与历史数据的关联特性，此关联特性又在空间和时间上呈现出离散特点，表现出货运车辆超限行为在空间上的弱依赖关系，和时间上的弱连续性关系.为此，本文作者将FP-growth (Frequent Pattern growth，频繁模式增长)等频繁模式挖掘算法应用治超检测领域，并结合道路网超限行为空间和时间的弱关联，优化算法，为精确治超提供数据依据.

1 货运超限行为预测架构

1.1 道路网超限行为预测模型

道路网货运车辆超限行为模型可描述为在一定时间段超过一定限度的流量在道路网上的概率分布.货运车辆超限行为的原因存在复杂非线性关系，要直接利用庞大的道路出行数据、收费数据和源头企业基础数据进行挖掘，必然效果不佳或方法复杂.本文对超限货车行为数据进行分析，针对车辆空间分布特征，使用FP-growth优化算法识别出超限车辆频繁路径；再根据超限行为时间关联关系，计算出频繁路径在未来时间段的预测值，预测模型如图1所示.

图1 道路网超限行为预测模型 Fig.1 Prediction model of overload behavior in road network

1.2 对FP-growth算法的改进

比较经典频繁模式挖掘的算法有Apriori[4]和FP-growth[5]两大类算法.本文从安徽省道路网历年超限数据中，提取9个样本集(样本量为2的倍数递加)，采用Apriori、FP-growth两类算法及其衍生算法对超限模式进行识别，发现随着样本量(单位:万)的增加，算法效率和精准度降幅明显，检测效果不理想.具体如图2所示.

本文综合分析以上算法优缺点，针对道路网治超检测站点的空间关联及超限车辆动态迁移的特点，采用非连模式剪枝和合并关联路径结点的思想对FP-growth 算法进行改进，降低了频繁模式树的规模和频繁模式挖掘算法的时间复杂度，提升了道路网超限频繁模式的识别准确度.

图2 算法识别准确率分析 Fig.2 Accuracy analysis of algorithm recognition

1.3 对频繁模式预测算法的改进

挖掘出频繁模式后，在频繁模式路段进行设点检测，发现查处超限车辆覆盖率仅为67%，未达到检测效果，需要继续精确频繁模式未来时间段的预测值.对主要交通流量预测模型进行分析发现，基于传统的统计预测模型(如多元线性回归[6])过多依赖样本数目，在样本数量不足、样本覆盖不全的环境下很难适应复杂多变的治超检测.基于神经网络的预测模型[7]，在预测过程中具有收敛速度慢和局部极小点缺陷，而治超数据随着各种因素叠加呈现样本变化大、低概率样本取代大概率样本等情况，神经网络模式应用于治超数据效果不明显.基于博弈论的预测模型[8]，主要通过分析各类影响因素叠加构建模型，随着影响因素越来越多，模型构建越来越复杂[9-10]，并且治超数据具有偶然性和随机性[11]，博弈论[12]模型也不能实现超限检测全覆盖.

对此，本文从时间维度入手，研究频繁模式在时间序列上的关联关系，建立基于时间弱关联频繁模式的状态转移模型，揭示道路网交通流量时序变化的总体趋势，确定状态转移规律，提高频繁路径超限车辆流量的预测精度.

2 空间弱关联频繁模式挖掘

2.1 构建道路频繁模式树

本文根据道路网超限车流量分布特点对FP-growth算法进行改进，通过引入非连模式剪枝和合并路径结点的思想，构建超限频繁模式树[13](Road Frequent Pattern tree， RFP-tree)，有效压缩频繁模式树的空间[14].在该算法中，RFP-tree结点间具有空间关联关系，构建时同步计算结点空间关联[15]，并对空间不相连的结点进行剪枝，降低频繁模式树的宽度；由于车辆行驶具有动态连续性，在车辆行驶的连续路径中仅需设立一个治超站点，即如果模式R1完全包含模式R2，且经过R1和R2的超限车辆重合度超过设定的支持度，合并R1和R2的路径，缩短频繁模式树的深度[16]，有效降低治超成本.

观察组X、Y方向的摆位误差明显少于对照组(P<0.05)，两组Z方向的摆位误差对比无明显差异(P>0.05)。见表2。

设道路网数据库D(道路网内所有治超检测站点库)是一个由事务P组成的集合D={P1,P2,…,Pm}，其中每个事务P是治超检测结点的集合P={a1,a2,…,an}.设a是一个治超检测站点，事务P包含a当且仅当 a⊂P.

定义1 事务P在D中的支持度(support)是D中所有子集的超限车辆个数与所有途经车辆比值的最小值，即

sup(P)=

(1)

采用本文算法对2010年至2016年安徽省道路网治超检测站点训练数据构建RFP_tree，挖掘超限行为频繁路径，表1中Freq_PAT[1-7]为部分频繁路径，假定支持度阈值ρ为0.04.

定义2 事务P={a1,a2,…,an}的支持度超过超限阈值，即超限行为的最小的支持度ρ，则P为频繁路径.若P中，ai与ai+1、ai-1在D中存在空间时序关系时，则称P为空间弱关联频繁模式.

电机本体的直接转矩控制系统采用180°导电的电压型逆变器供电，对逆变器无须特地采用正弦波脉宽调制(SPWM)技术，逆变器输出的相电压波形本是阶梯矩形波，输出频率受电机本体的转子转速控制，属于自控逆变器。三相桥式电路采用自关断器件，位于同一桥臂上的两个自关断器件的动作是互补的。若用SaSbSc分别表示A、B、C桥臂上两个自关断器件的开关状态量，它们各有1和0两种状态：1代表任何桥臂的上边导通下边关断；0代表上、下边情况相反。这样，根据SaSbSc分别是0或者1，三相桥式电路共可组合出8种开关状态，其中包括(0 0 0)和(1 1 1)二种开关状态。

若P={a1,a2,…,an}中，检测站点a1和 an间的路径具有空间关联性，故超限车辆在P中各站点行驶的路径是连续性[17]，因此在超限车辆检测行为中，在a1至 an间路径中任何一个地点均可选择为治超检测点.P中各检测站点具有空间关联，但在检测过程中又不依赖此关联，故称其为空间弱关联.

定义3 如果事务P={a1,…,ai-1,ai,ai+1,…，an}为空间弱关联频繁模式，ai的|OTai|个的车辆均从ai-1和ai+1方式驶入或驶出，则事务P可以合并为合路径P={a1,…,ai-1,ai+1,…，an}.

定义4 RFP-tree数据结构满足如下定义:

①RFP-tree比传统FP-tree结点多一个conn-link域，指向与该结点具有空间关联的结点.

（六）药敏试验(纸片法) 敏感性高的药物是庆大霉素、卡那霉素；中度敏感的药物是氯霉素，低度敏感的药物是链霉素、呋喃唑酮类药物；不敏感的药物是青霉素、四环素。

YAO Zhisheng,SHAO Chunfu,GAO Yongliang. Research on methods of short-term traffic forecasting based on support vecter regression[J].Journal of Beijing Jiaotong University，2006, 30(3):19-22.(in Chinese)

目前，我国药品研发多数是新的药物释药系统的研究。而在药物新释药系统方面，纳米药物的制剂研究又占据绝大多数。纳米药物研究日新月异，因此，如果仍然沿用传统教学模式，势必会与时代脱节，教学模式的改革势在必行。

2.2 基于空间弱关联频繁模式的优化算法

基于空间弱关联频繁模式的优化算法继承FP-growth算法思想，并针对超限行为进行改进，改进措施如下.

1)非连模式剪枝.扫描道路网数据库D，生成频繁项集[18]，计算出支持度，根据结点conn-link信息，对非连模式P′进行剪枝.如果频繁模式P′中存在ai，ai+1且ai和ai+1在道路网中没有直接的路径连接，则称ai和ai+1为非连关系，模式P′为非连模式.非连模式P′=ai…a2am，式中是治超检测站点ai间的连接符号，代表符号连接的站点在道路网空间上具有相连关系；存在结点an及其子孙结点am，an与an+1属于非连关系，则P′剪枝成…an-1an和…am-1am.

汝城县小型农田水利重点县建设项目于2011年通过全省公开竞争遴选，以建设方案第一名、综合得分第二的好成绩被列入全国第三批小型农田水利重点县。该项目计划分3年实施，发展高效节水面积6万亩（0.4万hm2），建设范围涉及汝城县的土桥镇、田庄乡、附城乡、三星镇、大坪镇、井坡乡等6个乡镇54个村。项目建成后，将明显改善汝城人民的农业生产条件，进一步提高农业综合生产能力，增强农业抗御自然灾害能力。

2)剪枝动态插入.若RFP-tree存在的子结点an，则将插入为an子结点，an的支持度加上的支持度.否则创建一个新节点N，链接到父结点中.

3)合并路径.合并路径是指对多个超限车辆行驶的相同路径进行合并.具体为：读取频繁模式P=ai…a2am中各检测站点ai途径的车辆信息，依次生成ai的超限车辆集∑i，迭代比对P1=ai-1aiai+1(ai-1,ai,ai+1在空间上是连续的)的车辆信息∑i、∑i-1、∑i+1，若存在sup(P1)个车辆，在正常行驶的时间间隔τ内，经过ai-1,ai,ai+1的3个检测站点，则剪除ai结点，频繁模式P1合并成P1=ai-1ai+1，若ai存在子女结点，按照式(2)将剪枝动态插入至RFP-tree.

RW_Mining算法继承了FP_growth的优点，建树时考虑了路径间的空间关联关系和车辆行驶路径的连续性，既解决了FP_tree需要开辟很大的内存空间的缺点，又排除了Apriori算法耗时的I/O操作和产生大量候选项集[19]等问题，该算法挖掘出贴合实际治超检测的弱关联空间频繁模式[20]，为治超检测路段的选取提供了数据支撑.

3 时间弱关联频繁模式的预测模型

通过RW_Mining算法挖掘出的频繁模式可以得到历史超限频繁路径，然而道路网货运车辆超限行为受季节、节假日和物流货运量等多种因素影响，静态的频繁模式[21]难以达到理想的检测效果.对超限频繁模式变化的影响因素进行分析，发现其存在随机性、难以判断主次要因素等特点，但在时间序列中存在隐含的周期性关联关系，故本文读取各检测站点的超限数据，生成超限数据的离散时间序列.依据马尔科夫[22]预测模型思想，建立基于时间弱关联的频繁模式预测模型，揭示货运超限频繁模式[23]在时间上的变化趋势.

定义5 如频繁模式P在连续的时间序列t={t1,t2,…,tn}上不存在明显的迁移规律，而在时间序列t内存在t′={ti,tj…,tk}(i,j,k∈[1,n])，P在t′上存在周期性迁移规律，则称P在时间序列t上存在时间弱关联关系.

1)建立基于时间弱关联的频繁模式迁移模型，首先根据历史信息挖掘到的超限频繁模式[24]，提取频繁模式在道路网的概率分布和超限车辆占比，生成频繁模式时间序列.假设P在t={t1,t2,…,tn}时间序列上的超限数据为

x(0)={x(0)(1),x(0)(2),x(0)(3),…,x(0)(k)}，

则

(2)

由于每个检测站点途经车辆的超限程度不同，为提高治超路段选取的针对性，在计算频繁模式支持度基础上增加车辆超限权重,记其中，wi为检测站点i(i∈P)途经的超限货运车辆超限值均值，超限车辆超限值为超限额度与限载额度比值.|P|为频繁模式P中检测检点的数量，β为调整系数，一般情况下β=1，在特殊情况下依据政策法规、道路应急处置等要求可以对β进行调整.

2)对频繁模式时间序列x(0)划分概率迁移状态空间，划分为若干个与预测函数基本平行的状态区间

Mi=[φ1i,φ2i],i=1,2,…,n,

[12] 朱超.基于博弈分析和效用理论的治超策略研究[J].公路, 2009, 2(2):100-104.

其中：Rrqd=岩石质量指标；Jn=节理组数；Jr=节理粗糙系数；Ja=节理蚀变系数；Jw=节理水折减系数；Ssrf=应力折减系数。

(3)

式中：Ai为上限值；Bi为下限值.

3)由于状态转移是随机的，故用概率来描述状态转移可能性的大小，称为状态转移概率.根据状态空间，建立时间上的状态转移矩阵，从而得到预测路径的变动区间和预测值，具体状态转移概率矩阵为

(4)

其中

通过比对预测值和实际值发现，4类公路预测值和实际值误差分别为5.7%、4.4%、4.7%、1.7%，4个季节预测值和实际值误差分别为2.6%、4.8%、3.2%、5.9%，平均误差值低于6%.在公路类型方面高速公路的误差率较高，主要原因为车流量基数和治超检测点数量均高于其他类型公路.从季节来看，一季度和四季度误差率高于二、三季度，其原因较复杂，主要有节假日、物流车辆密度等因素影响.

(5)

式中：Pij(k)为由Mi状态经过k步转移到Mj的概率；|Mij(k)|为Mi经过k步转移到状态Mj的样本数量；|Mi|为处于Mi状态的样本数.

4)确定频繁模式超限的预测值.通过考察一步或多步转移概率矩阵，依据历史检测数据的概率值，确定转移步数k，生成弱关联时间序列t′={ti,ti+k1,ti+k1+k2,…,ti+k1+k2+…+kn}，读取状态转移矩阵，计算出P在t′序列各时刻的状态区间的最大概率，记为

为分析主跨混合梁长度比例对桥梁结构受力性能的影响，以主跨钢-混凝土混合梁中钢箱梁段长度为主要参数进行参数分析。参数范围主要依据主跨钢箱梁段长度96 m(左、右侧钢混结合段处预拼钢箱梁长度各3 m，整体吊装钢箱梁段长度90 m)为基准，并结合国内外同类型桥梁混合梁长度比例为参考来确定，考虑整体钢箱梁长度取为主跨(240 m)的0.2～0.5之间变化，按56 m、66 m、76 m、86 m、96 m、106 m、116 m、126 m这一系列不同的钢箱梁长度参数进行变化[12]，其他参数均相同。由此来建立相对应的有限元模型探讨大跨度空腹式钢-混凝土混合连续梁桥主跨混合梁长度比例参数规律。

G(k)={max{PMiMj(k1)},max{PMiMj(k2)},

…,max{PMiMj(kn)}}

康斯坦拆开了小礼包，发现里面是一副扑克牌，其他同学的礼物也一样。每张扑克牌的背面都画着“大王”，而正面的文字各不相同。

(6)

根据式(6)可知，要计算P在ti+k1时间的超限概率，要向前读取ti+k1-ti时间的状态空间Mi，通过转移矩阵，求出由Mi转移到其他状态空间的所有概率，求最大概率就是P在ti+k1时间可能出现的状态.

4 实例分析

为了验证算法的有效性，实验数据分为两部分：1)训练数据，采用近7年的超限检测站点数据，用于挖掘道路网频繁路径；2)预测数据，道路网行驶货运车辆超限数据，用于构建时间弱关联预测模型.

4.1 实验结果

式中：|OTai|为途站点ai的超限车辆；|ATai|为途径站点ai的所有车辆.

将预测数据划分为5个频繁模式状态，比如M1为支持度大于18%的频繁模式集合，具体见表2.

根据时间弱关联状态迁移模型，计算出表1的频繁模式在2016年预测值，见表3.

表1 超限频繁路径及支持度

Tab.1 Overload frequent path and support

频繁模式频繁路径支持度Freq_PAT[1]G105YQ超限检测站、S202FY南超限检测站0.102 5Freq_PAT[2]S308TH超限检测站、S202地理城公路稽查站、YS六十铺公路稽查站、G105FY动态卡点0.096 4Freq_PAT[3]G105YQ超限检测站、G105BZ北超限检测站、S305双桥公路稽查站0.067 8Freq_PAT[4]X014GY花沟动态卡点、G105BZ张集动态卡点、S101DS庞桥动态卡点、G311BZ温集动态卡点、SZ北十里动态卡点0.135 0Freq_PAT[5]S306ZY大新动态卡点、S304ZY小圩动态卡点0.061 1Freq_PAT[6]S203SX超限检测站、S102FT大山公路稽查站、S203与MC交界处动态卡点0.056 9Freq_PAT[7]S334FH炉桥动态卡点、S310FY考城动态卡点0.075 8

表2 频繁模式5种状态

Tab.2 Five states of frequent patterns

状态描述支持度/%1M1≥182M210～183M35～104M43～55M5≤3

4.2 预测值与检测值的对比

将2016年1月至2016年12月的频繁模式超限预测值与真实检测数据对比，两者数据差均控制在4.6%以下，如图3所示.

采用本文弱关联频繁模式算法对1.1节内道路网货运车辆样本量(单位：万)进行预测得知，其准确率较传统算法平均值上升22.17%，且在样本基数较大的情况下准确率提升明显，提升比例达70.15%，实验结果如图4所示.

货运车辆是否选择超限行为是根据经营成本、治超概率的罚款额度等因素博弈呈现动态变化，实验提取近3年皖北地区超限检测数据，将道路网货运车辆超限行为按照时间和地域分布分为密集域、常规域和稀少域3个区域，采用本文算法进行预测，准确率约为96%，预测效果较好.

表3 频繁模式超限预测值

Tab.3 Predictive value of overload frequent patterns

频繁模式原支持度支持度预测值 1月2月3月4月5月6月7月8月9月10月11月12月Freq_PAT[1]0.100.100.110.100.060.060.070.070.070.180.180.180.15Freq_PAT[2]0.100.090.070.090.110.150.120.130.080.050.040.040.02Freq_PAT[3]0.070.080.090.100.100.100.110.110.120.120.130.130.13Freq_PAT[4]0.140.180.190.150.140.100.150.170.230.210.240.200.15Freq_PAT[5]0.060.050.040.040.030.020.010.000.000.000.060.050.03Freq_PAT[6]0.060.060.070.070.080.080.090.090.100.100.110.120.12Freq_PAT[7]0.080.080.090.090.100.110.110.120.120.130.140.150.16

图3 部分频繁模式预测数据与实际数据的误差值 Fig.3 Errors of the predicted data and the actual data in part of the frequent patterns

图4 超限模式预测结果比较 Fig.4 Comparison of the prediction results under overload patterns

但实验结果显示超限行为在时间和空间分散稀少的环境下，检测准确率低于平均值，主要因为历史建模数据缺乏和分散检测难度增加导致，具体数据如图5所示.

图5 密集域、常规域和稀少域预测准确率 Fig.5 Prediction accuracy in dense, conventional and sparse domains

由于货运车辆的超限行为在道路、季节选择上呈现不同的表现趋势，实验提取近3年安徽全省道路网治超检测数据，分别对高速公路、一级公路、二级公路和独立桥梁4类公路级别和4个季度的超限行为进行预测，具体数据如图6、7所示.

图6 4类公路预测误差率 Fig.6 Prediction error rate of the four type highways

图7 4个季度预测误差率 Fig.7 Prediction error rate of the four quarters

i=1,2,3,…,n,j=1,2,3,…,m

5 结论

1)本文作者根据道路网超限行为数据的空间弱关联分布和时间动态迁移的特点，结合治超需求，在FP-growth频繁模式挖掘算法的基础上，对弱关联频繁模式的超限行为挖掘算法进行优化.算法挖掘出道路网超限车辆频繁路径，再根据历史检测信息构建时间弱关联迁移模型，预测出道路网频繁模式超限车辆途经的概率.

2)实验结果表明:本文弱关联频繁模式算法用较少的信息预测出道路网超限行为概率趋势，并在不同样本数据量、车公路类型等，都得到了较为精确的预测结果，其准确率较传统的FP-growth等算法提升高于20%，且预测值平均误差率低于6%，为实际治超提供了精准依据.

苗族人民由于从小耳濡目染，对自己民族文化的认同与接受可以说是顺其自然。当地婚庆大典时新郎、新娘以及双方的家人亲戚均会盛装出席，特别是新娘的服饰更为整齐，由于苗族银饰的整体性特征，新娘一般会同时佩戴银凤冠、银项圈、银披肩、银钻花腰链、银脚环等。举办大型活动时也是如此，居民们也会穿上特色的服装，戴上苗族银饰以示隆重。这些活动也无形中促进了苗族银饰的流传以及其锻造艺术的传承。

参考文献(References):

[1] KRANTI K, PARIDA M, KATIYAR V K. Short term traffic flow prediction for a non urban highway using artificial neural network[J].Procedia-Social and Behavioral Sciences, 2013, 104:755-764.

[2] 罗向龙，焦琴琴，牛力瑶，等.基于深度学习的短时交通流预测[J].计算机应用研究, 2017, 34(1):91-93.

LUO Xianglong, JIAO Qinqin, NIU Liyao, et al .Short-term traffic flow prediction based on deep learning[J].Application Research of Computers,2017, 34(1):91-93.(in Chinese)

[3] RYU S, CHEN A, CHOI K. A modified gradient projection algorithm for solving the elastic demand traffic assignment problem[J].Computers and Operations Research, 2014, 47:61-71.

[4] INOKUCHI A, WASHIO T, MOTODA H. An apriori-based algorithm for mining frequent substructures from graph data[C]// European Conference on Principles of Data Mining and Knowledge Discovery, 2000:13-23.

[5] HAN J, PEI J, YIN Y,et al. Mining frequent patterns without candidate generation: a frequent-pattern tree approach[J].Data Mining and Knowledge Discovery, 2009, 8(1):53-87.

[6] 林川. 基于K近邻非参数回归的短时交通流预测算法研究[D]. 成都：电子科技大学, 2015.

LIN Chuan. Short-team traffic flow prediciton algorithm based on K-nearest neighbor[D].Chengdu: University of Electronic Science and Technology of China，2015.(in Chinese)

[7] 王秋平, 舒勤, 黄宏光. 关于交通流量数据预测建模研究[J]. 计算机仿真, 2016, 33(2):194-197.

WANG Qiuping,SHU Qin,HUANG Hongguang. Study on GARCH effect in traffic flow data and prediction model[J].Computer Simulation，2016, 33(2):194-197.(in Chinese)

[8] 王义祥. 基于博弈模型和风险偏好的公路治超对策研究[D]. 北京：北京交通大学, 2007.

WANG Yixiang.Countermeasure research on managing exceed limit and overload transportation of highway freight vehicle based on game model and risk preference[D].Beijing：Beijing Jiaotong University，2007.(in Chinese)

[9] 贡金鑫, 李文杰, 赵君黎, 等.公路桥梁车辆荷载概率模型研究一——非治超地区[J].公路交通科技, 2010, 27(6):40-45.

GONG Jinxin,LI Wenjie,ZHAO Junli，et al. Research on probabilistic model of highway bridge vehicle loads(1):non-controlling area[J].Journal of Highway and Transportation Research and Development，2010, 27(6):40-45.(in Chinese)

[10] 贡金鑫, 李文杰, 赵君黎, 等.公路桥梁车辆荷载概率模型研究二——计重收费地区和强制治超地区[J].公路交通科技, 2010, 27(7):56-60.

[6]郭少华：《红色文化融入大学生思想政治教育的价值与途径》，《井冈山大学学报》（社会科学版）2011年第42期。

GONG Jinxin,LI Wenjie,ZHAO Junli,et al.Research on probabilistic model of highway bridge vehicle loads(2):toll-by-weight area and overload controlling area[J].Journal of Highway and Transportation Research and Development，2010, 27(7):56-60.(in Chinese)

[11] 姚智胜, 邵春福, 高永亮.基于支持向量回归机的交通状态短时预测方法研究[J].北京交通大学学报, 2006, 30(3):19-22.

4.组织病理检查：标本保存于10%中性缓冲甲醛溶液中固定，进行10%甲酸甲醛脱钙、常规石蜡包埋、切片制作及HE染色。光学显微镜观察兔鼻甲黏膜上皮及固有层纤维结缔组织增生(纤维化)病理改变，采用4级法分级，无异常为0级、轻度为I级(+)、中度为II级(++)、重度为III级(+++)，为确保分级的准确可靠，结果经多名病理专家阅片后一致认可。

②频繁项目表新增item-count，item-nb，item-prop域，其中item-count记录途经该结点的超限车辆比例，item-nb，item-prop分别记录驶离或驶入的结点ID和其超限车辆比例.

φ1i=x(0)(k)+Ai,φ2i=x(0)(k)+Bi

ZHU Chao.Research on countermeasure of solving over-limited and over-load transportation of highway freight vehicle based on game model and utility theory[J].Highway,2009, 2(2):100-104.(in Chinese).

国外,知识服务最早被定义为商业服务,即Knowledge Services。Knowledge Services被认为是知识管理、知识组织和知识市场结合而呈现的概念。UNPD(联合国开发计划署)认为知识服务是建立在全球知识技术状态上的建议、专家意见、经验和试验方法,它被提供来帮助请求者获得对问题的最好解答。国内,有学者认为知识服务是从用户问题情境出发,对信息的搜集、分析、提炼和创新工作,如张晓林认为知识服务是在网络环境下以信息知识的搜寻、组织、分析,充足的知识和能力为基础,根据用户问题环境,融入用户问题解决的过程,提出能有效支持知识应用和知识创新的服务。

[13] 宋余庆, 朱玉全, 孙志挥,等.基于FP-tree的最大频繁项目集挖掘及更新算法[J].软件学报, 2003, 14(9):1586-1592.

SONG Yuqing,ZHU Yuquan,SUN Zhihui,et al. An algorithm for mining maximum frequent itemsets based on FP-tree [J].Journal of Software，2003, 14(9):1586-1592.(in Chinese)

[14] ABDULLAH Z, HERAWAN T.Ascalable algorithm for constructing frequent pattern tree[J].International Journal of Intelligent Information Technologies, 2016, 10(1):42-56.

[15] ANDRIANOVA A A.One approach for solving optimization problems with apriori estimates of approximation of admissible set[J].Lobachevskii Journal of Mathematics, 2013, 34(4):368-376.

另外，在学校教育管理思维方式方面，放大了作为校长的功能，凸显了校长主导作用，弱化师生在学校发展中的促进作用，在一定程度上将学校发展的压力聚焦在校长一个人身上。现实中，大部分中小学校长在角色定位上侧重管理者，使得校长将工作重心放到参加上级部门会议、迎接检查、接待来访等方面，繁重的行政事务使得校长严重偏离教育者和领导者的角色，给学校的教育教学改革和长远发展带来影响，给校长增加了更多心理压力。

[16] FARID D M, LI Z, HOSSAIN A. An adaptive ensemble classifier for mining concept drifting data streams[J].Expert Systems with Applications, 2013, 40(15):5895-5906.

[17] YEN S J, WU C W.A fast algorithm for mining frequent closed itemsets over stream sliding window[C]//IEEE International Conference on Fuzzy Systems, 2011, 6493(10):996-1002.

[18] MILIARAKI I，BERBERICH K. Mind the gap: large-scale frequent sequence mining[C]// Sigmod International Conference on Management of Data, 2013, 1(1):797-808.

[19] TAO J, WANG J, MARCELLO L R. Efficient querying of large process model repositories[J].Computers in Industry, 2013, 64(1):41-49.

[20] AYRES J, FLANNICK J. Sequential pattern mining using a bitmap representation[C]//Proceeding of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2002, 8(4):429-435.

[21] MICHIHIRO K, GEORGE K. Finding frequent patterns in a large sparse graph [J] .Data Mining and Knowledge Discovery, 2005, 11(3):243-271.

[22] 李修云, 陈帅.基于马尔科夫链理论的改进的最大指数混沌预测法[J].计算机科学, 2016, 43(4):270-273.

LI Xiuyun,CHEN Shuai.Improved maximal Lyapunov exponent chaotic forecasting method based on Markov chain thery[J].Computer Science，2016, 43(4):270-273.(in Chinese)

[23] DAM T L, LI K, FOURNIER-VIGER P, et al. An efficient algorithm for mining top-rank-k frequent patterns[J].Applied Intelligence, 2016, 45(1):96-111.

[24] MILIARAKI I, BERBERICH K, GEMULLA R, et al. Mind the gap: large-scale frequent sequence mining[C]//Proceedings of the ACM International Conference on Management of Data, 2013, 1(1):797-808.