基于数据挖掘的决策支持系统论文.docx

1、【摘 要】：本文在论述数据仓库、数据挖掘和决策支持系统的基本概念及其关键技术和系统设计方法的基础上，提出了基于数据仓库和数据挖掘技术的决策支持系统的体系架构。并根据这种体系架构，分别分析了该结构在电信业、服装业和竞争情报知识管理方面的一些应用。【关键词】：数据仓库、 数据挖掘、 决策支持系统系统Abstract: After the discussionof theData Warehouse (DW), Data Mining (DM)and Decision Support System (DSS), including the basicconceptsand keytechnologi

2、es andsystem design method, this article proposed a decision support system architecture which is based onData Warehouse and DataMining. According tothis architecture, the article respectively analyzed the structure of some applications of the telecommunications industry, the garment industry and co

3、mpetitive intelligence knowledge management.Key Words: Data Warehouse (DW), Data Mining (DM)and Decision Support System (DSS)目录一.决策支持系统及相关技术41.1决策支持系统41.1.1决策支持系统的产生及发展41.1.2DSS的分析方法51.2数据仓库技术61.3数据挖掘技术81.4联机分析处理(OLAP)101.4.1概念101.4.2联机分析处理的多维数据分析10二.电信业决策支持系统102.1课题背景及研究意义102.2电信决策支持系统的研究现状112.3系统关

4、键技术研究预测方法研究122.4决策支持系统中的模型部件研究142.4.1层次分析法(Analytic Hierarchy Process ，AHP)152.4.2投资预测模型与AHP152.4.3系统的实现及功能简介17三.基于数据挖掘的服装决策支持系统211.1.研究背景及现状211.2.数据挖掘分析方法在服装决策支持系统中的应用211.2.1.关联分析在服装决策支持系统中的应用211.2.2.序列模式分析在服装决策支持系统中的应用221.2.3.分类分析和聚类分析在服装决策支持系统中的应用231.3.一个与数据挖掘相结合的决策支持系统241.3.1.系统设计思想241.3.2.系统框架和

5、子功能模块241.3.3.系统的物理结构26四.竞争情报与知识管理融合模型271.1数据挖掘与竞争情报知识管理的关系281.1.1数据挖掘与竞争情报的关系281.1.2数据挖掘与知识管理的关系281.1.3数据挖掘竞争情报与知识管理的桥梁281.2基于数据挖掘的竞争情报与知识管理的融合模型281.2.1以竞争情报工作人员为中心的竞争情报工作循环291.2.2以数据挖掘为中心的DM循环301.2.3以企业内部员工为中心的人类知识开发循环30五.结束语31参考文献32图表目录图表 1决策支持系统的基本结构框架6图表 2ROMC方法步骤7图表 3数据仓库的结构9图表 4投资设备层次关系17图表 5图

6、层次结构模型17图表 6IPDSS系统结构图18图表 7IPDSS系统功能图20图表 8关联规则23图表 9服装产品的生命周期曲线24图表 10系统框架和子功能模块27图表 11系统体系结构28图表 12基于DM的竞争情报与知识管理融合模型30一. 决策支持系统及相关技术1.1 决策支持系统1.1.1 决策支持系统的产生及发展决策支持系统是在传统的管理信息系统 (Management information system，MIS)和管理科学/运筹学 (Management science，Ms/operation Research ,OR)理论基础上发展起来的一门适用于不同领域的全新的信息系统

7、发展分支。决策支持系统己经成为系统工程与计算机应用领域中的重要研究课题，各国学者在决策支持系统的理论与应用上进行了卓有成效的工作，并取得了很大的进展。决策支持系统是一门开放的学科，其发展历程是与其它学科不断相互融合的过程，也是不断拓展自身内涵的过程。简要说来，DSS大致经历了这样几个发展历程:20世纪70年代初，决策支持系统的概念由美国M.S.S.Ott.Morton教授首先提出。20世纪80年代，Sprague提出了决策支持系统三部件结构(对话部件、数据部件、模型部件)，明确了决策支持系统的基本组成，极大地推动了决策支持系统的发展。当时的DSS是由模型库系统、数据库系统与人机交互系统组合而成

8、，通过模型的组合对大量数据进行处理得到辅助决策信息，达到支持决策的效果。1981年Bonczeklso等人提出了决策支持系统(DSS)的三系统结构形式，即它由语言系统(LS)、知识系统(KS)和问题处理系统 (PPS)三个部分组成。由于该系统中包含“知识系统”，从而使决策支持系统包含人工智能的成分。这使很多DSS学者采用了这种决策支持系统的结构形式。20世纪80年代末90年代初，决策支持系统开始与专家系统 (Expert System，ES)相结合，形成智能决策支持系统 (Intelligent decision support system，IDSS)。智能决策支持系统充分发挥了专家系统以知

9、识推理形式解决定性分析问题的特点，又发挥了决策支持系统以模型计算为核心的解决定量分析问题的特点，充分做到了定性分析和定量分析的有机结合，使得解决问题的能力和范围得到了一个大的发展。20世纪90年代出现了数据仓库(Data Warehouse，DW)、联机分析处理(On-Line Analysis processing，OLAP)和数据挖掘 (Data Mining，DM)新技术，DW+OLAP+DM逐渐形成新决策支持系统的概念。为此，将智能决策支持系统称为传统决策支持系统。新决策支持系统的特点是从数据中获取辅助决策信息和知识，不同于传统决策支持系统用模型和知识辅助决策。传统决策支持系统和新决策

10、支持系统是两种不同的辅助决策方式，两者不相互代替，更应该是互相结合。把数据仓库、联机分析处理、数据挖掘、模型库、数据库、知识库结合起来形成的决策支持系统，即将传统决策支持系统和新决策支持系统结合起来的决策支持系统是更高级形式的决策支持系统，成为综合决策支持系统(synthetic decision support system，SDSS)。近年来，随着网络技术的发展，DSS的结构也发生了很大的变化，总的看来，经历了从基于主机的DSS(Mainframe-based DSS)至基于客户机/服务器的DSS(Client/ Server-based DSS)再到目前基于Web的决策支持系统(Web

11、based DSS) 的变化过程。被称作“第三次互联网浪潮”的网格技术的出现，又为DSS带来了许多先进的思想理念和创新技术，必将给DSS的发展带来新的发展契机。图表 1决策支持系统的基本结构框架1.1.2 DSS的分析方法DSS应满足决策支持系统的要求和达到 DSS的性能指标 ,由于 DSS的特殊性 ,对 DSS的系统分析通常采用一种称之 ROMC的方法。ROMC是一种基于决策过程基本活动的方法 ,是决策者进行表达(R) 、 操作(O) 、 存储辅助(M)和控制(C)的方法 ,其基本思路是建立起 DSS的要求与性能之间的关系 ,并力求减少它们之间的差异。ROMC分析方法正是建立在用户目标的基础

12、之上的 ,它主要从以下几点进行分析:(1)表达(Representation) :提供表达式以帮助决策者将问题概念化 ,以便于处理和交流;(2)操作(Operation) :提供这些表达式进行分析和运算的某些操作方法;(3)存储辅助(Memory aid) :表达与加工的存储支持;(4)控制机制(Control mechanism) :提供处理和使用整个系统的控制机制。图表 2ROMC方法步骤首先识别决策支持过程的基本活动 ,其次分析每一基本活动的组成部分:R (操作) 、 O (操作) 、 M(存储)和C(控制) ,然后集成这些部分建立一个专用 DSS。在交付使用时 ,设计者将继续沿着这四个

13、方面的追踪系统和用户 ,不断地扩展和修改基本部件 ,直到用户最终满意为止。1.2 数据仓库技术数据仓库(Data Warehouse，DW)是20世纪90年代初提出的概念，到90年代中期形成潮流。数据仓库作为一种新的数据处理体系结构，它的提出是以关系数据库、并行处理和分布式等技术的飞速发展为基础，用于解决数据丰富但有用信息贫乏的一种综合解决方案。它在存放大量数据的同时又能像仓库一样将大量数据有效地管理起来，主要侧重于对海量数据的组织和管理，提供有效的数据访问手段。为企业决策支持系统和行政信息系统提供所需的信息。目前公认的数据仓库概念是其创始人 WH.Inmon1993年在 Building t

14、he Data warehouse 一书中对数据仓库的定义:数据仓库是一个面向主题的(subject oriented)、集成的(Integrate)、相对稳定的(Non- Volatile)、反映历史变化(Time Variant)的数据集合，用于支持管理决策。对于数据仓库的概念我们可以从两个层次予以理解，首先，数据仓库用于支持决策，面向分析型数据处理，它不同于企业现有的操作型数据库;其次，数据仓库是对多个异构的数据源有效集成，集成后按照主题进行了重组，并包含历史数据，而且存放在数据仓库中的数据一般不再修改。数据仓库是在原有关系型数据库基础上发展形成的，但不同于数据库系统的组织结构形式，它从

15、原有的业务数据库中获得的基本数据和综合数据被分成一些不同的层次(levels)。数据仓库的物理结构一般采用星型结构的关系数据库，而其逻辑结构分为近期基本数据层、历史数据层和综合数据层，可细分为五层，如图1.1所示，包括当前细节级数据 (current detail data)、早期细节级数据 (older detail data)、轻度综合级数据 (lightly summarized data)、高度综合级数据 (highly summarized data)和元数据 (metadata)。图表 3数据仓库的结构与传统数据库构建不同，数据仓库设计由数据驱动，要在现有数据库系统的基础上进行开发

16、，着眼于有效地抽取、综合、集成和挖掘己有数据库的数据资源。数据仓库系统的原始需求往往不明确，而且不断变化与增加。这就决定了数据仓库系统的开发是一个不断循环、反馈而使系统不断完善的动态过程，需要开发人员、分析人员和管理者的密切配合与不断交流。目前，构造企业级的数据仓库通常有两种不同的实现策略:自顶向下的实现方法和自底向上的实现方法。1.3 数据挖掘技术数据挖掘 (Data Mining，DM)是从大量的、不完全的、有噪声的、模糊的和随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程了。数据挖掘是一门融合了人工智能、数据库技术、模式识别、机器学习、统计学和数据可视化等

17、多个领域的理论和技术的交叉性学科，它的出现引起了学术界和产业界的广泛关注，吸引了一大批研究者和开发者。数据挖掘技术最初就是面向应用的，尤其是在银行、电信、保险、交通、零售(如超级市场)等商业领域。另外它在生物学以及工业领域也有很广泛的应用。针对这些特定领域的应用，人们已经开发出许多专用的数据挖掘工具，提供满足特定任务的数据挖掘解决方案。数据挖掘的任务就是发现隐藏在数据中的模式。其可以发现的模式一般分为描述型(descriptive)模式和预测型(pr司predictive)模式两大类。描述型模式是对当前数据中存在的事实做规范描述，刻画当前数据的一般特性;预测型模式则是以时间为关键参数，对于时间

18、序列型数据，根据其历史和当前的值去预测其未来的值。根据模式特征，可将模式大致细分如下:分类模式(classification)、聚类模式(Clustering)、回归模式(Regression)、关联模式(Association)、序列模式(Sequential)和偏差模式(Deviation)。数据挖掘中使用的方法和技术是由人工智能、机器学习的方法发展而来，结合传统的统计分析方法、模糊数学方法以及科学计算可视化技术，并以数据库、数据仓库为研究对象。陈6将数据挖掘方法和技术分为六大类:归纳学习方法、仿生物技术、公式发现、统计分析方法、模糊数学方法和可视化技术。归纳学习方法是目前重点研究的方向，

19、分为信息论方法(决策树方法)和集合论方法两大类，每类方法又包含多个具体方法。信息论方法中比较有特色的方法是ID3等方法和IBLE方法。集合论方法是开展较早的方法，这类方法中包括粗糙集 (Rough sets)方法、关联规则挖掘、覆盖正例排斥反例的方法等。仿生物技术典型的方法是神经网络方法和遗传方法。这两类方法已经形成了独立的研究体系，它们在数据挖掘中也发挥了巨大的作用。公式发现是指在工程和科学数据库(由实验数据组成)中对若干数据项(变量)进行一定的数学运算，求得相应的数学公式。统计分析是通过对总体中的样本数据进行分析得出描述和推断该总体信息和知识的方法，它是一门独立学科，也作为数据挖掘的一大类

20、方法。模糊数学方法的数学基础是模糊集合和模糊推理，模糊集理论以不确定性的事物为研究对象，是经典集合理论的扩展。利用模糊集理论进行数据挖掘有如下方法:模糊模式识别、模糊聚类、模糊分类和模糊关联规则等。可视化技术是一种图形显示技术，对数据挖掘过程可视化，并进行人机交互可提高数据挖掘的效果。此外，云(Cloud)理论团、证据理论 (Evidence Theory)也是数据挖掘的常用方法。数据、数据挖掘任务和数据挖掘方法的多样性，给数据挖掘提出了许多挑战性的课题。数据挖掘语一言的设计，高效而有用的数据挖掘方法和系统的开发，交互和继承的数据挖掘环境的建立，以及应用数据挖掘技术解决大型应用问题，都是目前数

21、据挖掘研究人员、系统和应用开发人员面临的主要问题。为应对这些问题，研究和应用开发人员进行了多方面的尝试和研究。此外，数据挖掘的理论基础和挖掘算法还有很大的空间有待发展和完善，这也是目前的研究热点。1.4 联机分析处理(OLAP)1.4.1 概念 单纯的联机事物处理(OLTP)不能满足对信息的渴求 ,发展形成了联机分析处理。联机分析处理是共享多维信息的、 针对特定问题的联机数据访问和分析的快速软件技术。 “维” 是 OLAP 的核心概念 ,是主题的基础 ,是对主题的一种类型划分。OLAP采掘的与 “维” 有关的 “度量” 信息才是用户关心的焦点。例如 ,某部门财务经理关心的往往不会是 “花费了多

22、少” 这样一个笼统的问题 ,而可能是 “在某个特定部门 ,在该月中 ,路费等杂项 ,与上个月相比 ,开销情况”这样一个四维关于 “度量” 项线的问题。这种数据多维分析迎合了人的思维模式 ,使分析人员能够迅速、 一致、 交互地从多个角度、 多个侧面来剖析反映企业维特性的数据 ,使人们在观察数据时减少混淆与错误 ,发现数据后面隐藏的有价值并能被用户理解的信息、 内涵 ,能更深刻地反映企业的真实面目和企业所处的环境 ,可以辅助领导决策。1.4.2 联机分析处理的多维数据分析 对数据立方体和超立方体的多维数据分析主要有切块、 切片、 旋转、钻取等分析动作,目的是进行跨维、 跨层次的计算和建模。在多维数

23、据结构中 ,按二维进行切片 ,按某一维进行切块 ,对片或块或整个多维数据库在维数不变的前提下通过改变维的层次或位置 ,进行数据钻取和旋转。多维分析的一般过程是:先按某一维切块得到关注的内容 ,然后钻取数据到达适当的综合层次 ,再通过旋转动作更换数据观察角度 ,选取重要的数据进行切片分析。各个过程可能有一定的重复 ,如此经过切片、切块、 旋转、 钻取就可以形成数据新的观察角度和综合层次 ,就可能提取出有价值的信息 ,得到知识。二. 电信业决策支持系统2.1 课题背景及研究意义随着中国加入世界贸易组织的成功，政府对电信市场的管制逐渐放松，电信市场的竞争日渐激烈。国际化的市场环境要求国内的公众电信运

24、营企业在经营管理上向国外先进的电信运营企业看齐，以迎接电信运营业的国际化竞争。此外，各种民间资金介入电信运营领域以及电信企业的大规模重组所带来的问题也是一个很大的挑战。由于自身和外在环境都在发生着剧烈的变化，能否对问题做出快速科学的决策，对电信企业的成败有着重大的影响。目前，各电信运营商普遍采用旧的分析决策方式，即依靠手工报表分析数据。该方式缺点明显:一是工作量大，速度慢;二是容易遗失数据，得不到全面的信息，导致企业决策失误。另一方面，电信企业中并存着许多与信息相关的运营支撑系统，如电信计费系统、电信业务系统、网络资源管理系统等，各运营与支撑子系统都积累了海量历史数据，为了保证系统的稳定运行，

25、许多数据信息在存储到一定容量时，就会被删除，造成了大量宝贵信息资源的浪费。科学决策是现代企业管理的核心与基础，而决策支持系统 (Decision support System，DSS)正是将大量数据与多个模型组合起来，通过人机交互达到支持决策的作用。因此，为提升企业的市场竞争力，研究与开发适应中国特点的电信企业的决策支持系统己成为国内众多电信运营商的共识。某省电信公司负责中国电信在该省多媒体通信网(主要包括lP网、DDN/X.25网、AT树FR网)各种网络设备的资源分配、新业务的拓展、业务资费的划分、营销策略的制定等管理工作，需要科学迅速地进行各种决策，以适应市场的快速变化。但目前该省电信多媒

26、体通信网的多数决策均缺少数据支持，加之电信IP业务种类多、业务系统更新周期短，为此某省电信公司于2002年正式立项开始研制“电信IP决策支持系统”，旨在通过对电信企业内部运营系统中已存在的大量历史数据进行深入处理和分析，从中提炼出与业务发展情况和客户消费行为相关的核心信息，从而为企业不同层次的管理者提供广泛的管理和决策支持。2.2 电信决策支持系统的研究现状近年来，决策支持系统的研究和应用正在迅速发展。在国外，决策支持系统的研究越来越受到人们的重视，相关学术活动十分活跃，新的学术团体、学术刊物不断涌现，研究和应用都取得了很大的进展。国内决策支持系统的研究和应用始于20世纪80年代中期，虽然起步

27、较晚，但很快形成了研究热潮。国家和省的自然科学基金以及其他科研基金均大力支持新技术的研究，学术论文，书籍等从介绍和翻译逐渐转向自主研究。就电信行业来说，电信决策支持系统在国外已经有了许多成功的例子。AT&T、Mel、 south west em Bell、 Bellsouth、sprint、GTE、南新英格兰电信、比利时电信、法国电信、巴西BCP电信、新加坡电信客户关系管理、印尼Exelcomhido移动电话集团和韩国LG电信等都有自己的决策支持系统。各大软件公司也纷纷瞄准这一潜在的巨大市场，投入巨资开发研究。如NeR、CA、IBM、SAS、Co，05和SpsS等公司，不仅开发出了许多商业智能

28、工具，而且还提供了完全的解决方案。与国外相比，国内对电信决策支持系统的研究稍晚，没有形成整体力量，但近年来发展很快。在我国电信行业，对决策支持系统的研究正方兴未艾，中国电信、中国移动、中国联通等诸多电信企业都在开发自己的决策支持系统，并取得了一定的成果。北京邮电学院、广东电信科学技术研究院、中大新太高科技公司、东软软件股份有限公司、太极得捷公司等高校、研究所、和软件企业都在研究电信决策支持系统技术和开发商业化产品。但是因为目前各电信运营商业务支撑系统普遍存在系统独立建设，资源无法共享，功能数据分散，体系结构落后，无法满足灵活业务扩展，无法为用户提供良好统一的服务，历史数据丢失严重等问题，所以在

29、电信决策支持系统的研制上存在着以下问题:一是对决策支持系统框架的设计不一，有采用C/S结构，也有采用B/S结构;二是对决策主体认识不清，大多数决策主体都是单纯使用数据仓库、OLAP，或者数据挖掘技术，忽略了模型在辅助决策中的不可替代的重要位置;三是对电信决策模型的研究非常少，即使有也未见公开报导;四是对多种决策模式的综合研究的非常少，国内至今未见电信综合决策支持系统的成功报导。2.3 系统关键技术研究预测方法研究预测是在掌握相关信息的基础上，运用哲学、社会学、经济学、统计学、数学、计算机、工程技术及经验分析等定性定量的方法，研究事物未来发展及其运行规律，并对其各要素的变动趋势做出估计描述与分析

30、的一门学科。科学地预言尚未发生的事物是预测的根本目的和任务，无论对于个体还是对于组织，在其制定面向未来的决策过程中，预测是必不可少的重要环节，是科学决策的重要前提。预测是非常难的研究课题，目前的研究工作主要集中于两大方面:一方面是不断地利用新理论来探索新的预测方法及其应用，如神经网络预测方法的研究;另一方面是利用计算机和人工智能等技术与预测技术相结合来研究与开发智能预测支持系统，使得一般人员能够利用它方便地进行预测。预测方法有许多种，不同的预测对象具有不同的特点，而不同的预测方法也有各自的优点和缺点。预测的关键就是为预测对象寻找合适的预测方法，使得预测结果具有更高的可靠性和精确度。时间序列预测

31、是预测领域内的一个重要研究方向，也是比较常用和有效的方法。该方法在很多领域都有着广泛的应用，例如在金融、证券、气象等领域。在时间序列预测技术中，比较常用的是 ARMA(Auto regression Moving Average)模型。ARMA模型用于描述系统的随机行为，它假定当前的结果可以表示为前一阶段的线性组合。但是，现实世界中，很多问题不是线性的，因此采用上述模型，结果并不理想。对于上述模型，采用指数平滑，可以取得一定的效果，但是，对于事先确定指数的阶数也并非易事。因此，采用非线性模型可能是一种比较理想的选择。常用的非线性预测技术有规则归纳和人工神经网络。人工神经网络(ANN)对于处理非

32、线性问题有着自身的优势，能取得比较好的效果，因此有很多研究人员采用人工神经网络的方法来进行预测技术的研究。在各种ANN模型中，用得比较多的是BP模型和RBF模型。但是，ANN也有着自身的弱点和缺陷，主要表现在:(1)网络的结构比较难以确定，通常是依靠经验而定;(2)收敛比较慢，容易陷入局部最优。上述两个弱点，在很大程度上也影响了人工神经网络的使用。进化算法模拟自然界的生物进化规律，通过采用一些简单的算子，完成优化搜索。它不需要复杂的计算，对于优化问题的求解有独到之处。随着进化算法的出现，研究人员把它应用于许多优化场合，包括对ANN的优化。而对于神经网络中网络结构和权值的确定，其实质就是一个优化

33、问题。因此人们希望把这二者结合起来，用进化算法来训练神经网络，以期取得获得更好的效果，进而有了进化神经网络的概念。遗传算法(GAs)是进化算法中比较常用的一个算法，也是为大家所熟知的一个算法，因此有很多文献关于如何用GAS来训练人工神经网络。对于其训练方式，可以分为:(l)仅对连接权值进行训练;(2)仅对网络结构进行训练;(3)同时对连接权值和网络结构进行训练。但是，从理论上讲，传统的GAS并不适合于人工神经网络，其主要原因在于，GAS中的交叉算子(Crossover)是基于基因块假设的，而在人工神经网络中并不存在这样的基因块，因为人工神经网络强调的是知识的分布表示，如果采用交叉操作就有可能损

34、害参加交叉操作的两个人工神经网络，因此交叉算子就失去了意义。针对这个问题，YAO提出并设计了一个用于前馈网进化的模型，它是基于 Evolving Programming(EP)的，因此称为EPNET，该模型可以对神经网络的结构和权值(包括闭值)同时进行进化。2.4 决策支持系统中的模型部件研究在经典的决策支持系统三部件结构(对话部件、数据部件、模型部件)中，模型部件占有重要地位。决策支持系统的使用者不是直接依靠DSS中的数据进行决策，而是很大程度上依靠其中模型库的模型输出进行决策。模型输出可以直接用于制定决策;对决策的制定提出建议;用来估计决策实施后可能产生的后果等。因此，在工PDSS中，模型

35、部件的构建非常重要，将直接关系到决策支持系统的实现是否成功。本章主要研究工PDSS中的模型部件的设计和构建。根据用户需求，IPDSS中决策模型种类繁多，从用途上归结起来有四种:一是为业务服务的分析预测模型;二是为网络设备投资决策服务的投资预测模型;三是为投资预测评价起作用的基于会计成本核算的投资回报模型;四是为投资智能分解、业务指标分解用的投资分解模型。模型部件由模型库和模型库管理系统组成。模型是对客观事物的一种抽象描述，人们通过对模型的认识来增加对复杂问题的理解和处理，在计算机中模型通常以程序形式存储。模型库是将众多的模型按一定的结构形式组织起来，通过模型库管理系统对各个模型进行有效的管理和

36、使用。模型库的组织与存储是模型库的重要问题。通常模型库由字典库和文件库组成，字典库用来索引描述对应的模型文件。针对层次模型为图形模型的特点，我们提出用数据库表文件表示与存储IPDSS模型库中的层次模型，而IPDSS模型库中的其他模型仍以程序文件形式存储。经典的三部件结构只涉及两库，即模型库和数据库，故被称为决策支持系统的二库形式。而三库结构形式的DSS有数据库、模型库和方法库的3个库及相应的管理系统，是把模型与方法分离的系统结构形式。但大多数决策支持系统均采用模型库与方法库合并的形式，这样三库结构就回到二库结构形式，即三部件结构形式。在IPDSS系统中，我们将方法库和模型库中的程序文件合并管理

37、，以减少模型库和方法库的接口，使模型库管理更加方便。2.4.1 层次分析法(Analytic Hierarchy Process ，AHP)层次分析法是美国运筹学家萨提(T.L.Saaty)于七十年代中期提出的一种实用的决策方法32。这一方法的核心是将决策者定性的经验判断给予量化，从而为决策者提供定量形式的决策依据。在目标结构复杂且缺乏必要数据的情况下层次分析法更为实用，可用来解决非结构化的问题或半结构化的问题。这种方法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的

38、决策方法。尤其适合于对决策结果难于直接准确计量的场合。IPDSS中的投资预测模型属于半结构化问题，涉及的因素众多，有定量分析的因素，也有定性分析的因素，我们在分析实际决策流程的基础上，通过向各级领导和各部门专家咨询，吸取他们多年的经验，采用层次分析法作为投资预测模型的基本构建理论与技术，建立投资预测决策模型。2.4.2 投资预测模型与AHP投资预测项目采用如图所示的层次结构表示，其中需预测的细项共21个为图中子结点，其中与端口有关的项目13项，与端口无关的项目8项。对项目进行投资预算，首先应预算各具体设备细项需投资多少，对其上层结点项目求和作为中间项投资预测额，然后一层一层往上递推求和，最后求

39、出单位一年需投入的资金，其中新业务暂由用户根据实际情况决定，不与旧业务关联，将来二期工程目标实现后由数据挖掘所得知识提供定性决策支持，等新业务拟定后再进行投资回报分析。图表 4投资设备层次关系与端口有关的项目在进行投资预测时，考虑的主要评价指标是用户增长趋势;与端口无关的项目在进行投资预测时，考虑的主要评价指标是投资增长趋势。对这二种趋势分析发现其影响因素是相似的，并经专家进一步论证，二者可以使用同样综合因素影响层次模型来分析，从而节约建模的时间和成本。通过实际调研和分析，同时经众多专家反复讨论，最终将众多影响因素总结归纳为二层影响因素，第一层共8个因素，第二层共10个因素，建立层次结构模型如

40、图所示：图表 5图层次结构模型2.4.3 系统的实现及功能简介通过对系统需求的详细分析并结合电信业务多样性的特点，我们将本文所研究DSS系统设计为基于微软最新平台.NET Framework的三层(数据层、业务层表现层)Browse/server(B/S)结构的决策支持系统，其系统结构如图6.1所示。下面简介IPDSS的三层结构。图表 6IPDSS系统结构图数据层定义、维护数据的完整性和安全性，响应逻辑层请求，访问数据。在IPDSs系统中，该层通过C#编写的数据导入程序实现对各数据源的读取、抽取、清洗、转换和汇总等，并基于ADO.NET技术实现SQLServer2000数据库和数据仓库的数据输

41、入，同时通过与电信专家的交互，获取其人工决策过程的模型、方法和专家知识，总结概括后以.NET组件、C+编写的COM组件和动态链接库方式实现，存放于方法库、模型库和知识库中。数据库服务器是系统的数据存储和管理平台，各种源数据通过筛选清洗后存放在数据库中。数据层通常由大型数据库服务器实现，本文采用MssQLserve:2000。业务(逻辑)层作为表现层和数据层的桥梁，其作用为响应界面层的用户请求，执行任务并从数据层抓取数据，同时调用相应组件进行分析，将决策信息传送至界面层。在IPDSS系统中，该层由Web Service、ASP.NET动态页面和多个功能组件完成。Web Service是整个管理系

42、统软件的运行平台，所开发的应用软件均安装于此服务器上，可对外提供系统与用户的接口，为用户提供操作界面和操作流程控制，对内提供平台软件与数据库的接口。ASP.NET动态页面完成具体业务逻辑的定义，通过调用相应功能组件完成各种用户需求，并以静态页面方式输出到客户端。各功能模块以.NET组件或C+编写的COM组件和动态链接库的方式实现，其中包括数据访问组件、报表组件、统计分析组件、预测组件、多维分析组件和数据挖掘组件等。表现层(又称界面层)不仅为用户提供可视化界面，即用户可通过表现层输入数据或获取数据，而且提供一定的安全性策略，确保用户不能看到机密信息。在IPDSS系统中，该层由用户浏览器构成，首先

43、浏览器将用户操作通过Web service传至对应ASRNET动态页面，然后ASP.NET页面调用相应组件和动态链接库进行处理和运算，并将结果通过Web Service以静态页面方式传至用户，从而完成人机交互。如图所示，IPDSS可分为如下7个功能模块:(1)用户管理;(2)宏观市场情况;(3)网络使用情况:(4)基础网业务分析;(5)互联网业务分析;(6)网络建设投资分析;(7)模型管理。图表 7IPDSS系统功能图用户管理模块该模块包括添加用户、修改用户资料、删除用户和修改密码等子功能模块，由超级系统管理员使用，但普通用户也可使用其中修改密码部分。此模块用于增加、修改或删除各种管理用户，同

44、时分配用户使用权限，即用户登录后系统根据用户权限对用户的使用范围进行控制。1) 宏观市场情况模块该模块主要完成宏观市场经济情况数据的收集与分析，并展现宏观经济发展情况，为管理者把握发展方向提供数据支持。模块包括某省宏观经济情况、全国与省通讯市场份额及邻省业务数据比对、世界各大电信公司业务数据比对、某省电信人力资源情况等。2) 网络使用情况模块该模块基于数据通信设备维护质量报表的统计分析，将数据通信设备维护质量报表分为电路设备年报和数据通信设备维护质量月报。从时间、分公司、网络设备等角度对比分析电路、中继、端口等网络设备使用情况，并对下一阶段网络资源使用情况进行预测。3) 互联网业务分析模块该模

45、块是IPDSS的核心模块之一，主要完成对省级电信公司宽带、窄带以及互联星空等新业务的辅助决策功能。由于当前电信市场竞争激烈、业务变化快，于是本模块具有自适应功能，即业务变化时系统自动调整，减少因业务变化所需的维护工作，而且可根据具体情况自适应选择最佳数学模型预测今后某段时间的业务变化情况。在已有数据基础上，系统对己有预测模型进行后台比较，如线性回归、三次多项式预测、指数叠加三角函数及神经网络预测方法、博克斯-詹金斯预测 (ARMA)等，比较已知数据的预测效果，从而得出最佳预测模型实现未来数据的预测。此模块具体包括如下功能:经营业务数据综合分析、收入结构组成分析、特殊资费专题分析、业务指标的智能

46、分解、次数、时长、费用等的分段分析、上网卡专题分析、互联星空专题分析等。4) 基础网业务分析模块该模块包含基础数据网业务数据总揽、基础数据网业务各市发展情况、基础数据网业务数据单项指标比对等，通过对基础业务数据月报的统计分析，多角度比较业务的发展情况。可总揽某时间段全省各市基础业务的各项指标数据，并提供年、季、月的汇总比较，直观显示此时间段哪个地区发展最好;可查看各市或全省某段时间业务发展情况，并提供年、季、月的汇总比较，直观显示该地区哪时间段发展最好;对于某一项指标比较各市某段时间的发展情况，以便直观看出哪一地区发展最快、哪一地区发展不好。5) 网络建设投资分析模块网络建设投资分析模块是本决

47、策支持系统的核心模块之一，用于各种电信投资数据的集中管理，如历史投资数据的存贮、电信IP多媒体设备等的投资预测和投资分解、投资项目的可行性分析等。其具体包括历史投资数据查询、投资预测、投资分解、已投资项目的管理和投资回报分析等5个子功能模块。6) 模型管理模块该模块包含专家评估在线登一记和预测组件使用两部分。“专家评估在线登记”子模块自动生成投资预测层次模型权重，为投资预算和投资分解的专家提供在线平台，使其可对项目涉及的各细项权重进行定量分析与科学分配，进而避免以往过多的主观和不确定因素，此为进行项目预算和分解的必需前提。预测组件子模块提供了各种预测函数，用于对其它业务数据进行回归或平滑预测，

48、如回归预测、平滑预测、季度预测、博克斯-詹金斯预测和神经网络预测等，其中季度预测模型需输入季度周期，如若数据循环周期为年，数据以月统计，则季度周期为12，反之数据以季度统计，则季度周期为4。三. 基于数据挖掘的服装决策支持系统1.1. 研究背景及现状服装行业作为我国的支柱产业，对国民经济的发展意义重大。服装行业作为一种时尚产业，其特点就是流行性、时尚性和季节性，产品的生命周期短，有的只有半个月甚至一周；主要问题是服装的需求经常不稳定，受各种因素如天气变化、前置时间、上市时间、尺码和颜色的搭配、价格、广告等因素等影响，如何对市场进行准确而及时的预测、建立企业的快速反应机制是企业发展的必然要求。 目前，服装企业大多采用多渠道通过 Internet 和企业内部网，分销方式获得了大量的销售和顾客个人信息，可及时利用这些信息和发现隐藏在这些据背后的信息，制定出合理的生产计划。数据挖掘作为需求分析的一种新技术，能很好地从历史数据中分析用户需求，其使用和研究越来越受到人们的关注。 1.2. 数据挖掘分析方法在服