优化决策支持论文（精选12篇）
优化决策支持论文 篇1
1 卷烟需求预测模型
1.1 卷烟需求预测方法
卷烟需求预测的方法分为很多种, 这里主要讨论的是时间序列预测法中的指数平滑法。指数平滑法是对过去的观察值加权平均进行预测的一种方法, 该方法是加权平均的一种特殊形式, 观察值时间越远, 其权数也跟着呈现指数的下降。指数平滑法和所有的时间序列分析一样, 都基于下边两个基本假设:①决定事物过去发展的因素, 在很大程度上仍决定事物的未来发展。这些因素作用的机理和数量关系是不变的或变化不大。②未来发展的过程属于渐进过程, 不是跳跃式的变化, 即促使社会经济现象不规则波动的因素, 是不稳定的短期起作用的因素, 它对社会经济现象只产生局部的偶然影响。指数平滑法的主要目标, 是根据过去经济现象逐期增减变动的数量或比率, 研究经济发展变化的规律性, 预测未来发展的趋势。模型法即数学模型法, 就是用一个或一组数学方程 (包括代数方程、微分方程或差分方程等) 来表示所预测事物随时间变化的形式或客观事物之间的关系, 来计算事物未来的变化与状态, 达到预测的目的。指数平滑法的数学模型很多, 对数学模型的选用, 既要分析有关预测对象的历史数据, 还要分析其未来发展的趋势过程。主要研究的问题有:
①预测参数是单调递增还是单调递减, 是有一个还是几个极值, 极值是稳定的还是周期变动的;
②预测参数的极值是极大还是极小;
③决定预测对象发展过程的函数有无拐点;
④描述预测对象的函数是否具有对称性;
⑤预测对象的发展过程在时间上是否有明显的限制等。
1.2 卷烟需求初期预测模型的建立
在一个较长的时期里, 从卷烟产品的特性、卷烟消费者特性及居民人均可支配收入的角度进行分析时, 我们提出如下假设:从长期统计来看, 由于消费对象的相对稳定, 卷烟消费的年总量从长期看应当服从线性规律。 (如果成立, 可使用线性回归对后期数据进行预测) 如果这个假设成立, 那么从长期来看其需求预测应符合采用指数平滑法的前提。“指数平滑”分析工具基于前期预测值根据平滑公式得出相应的新预测值, 并修正前期预测值的误差。此工具将使用平滑常数α, 其大小决定了本次预测对前期预测误差的修正程度。0.2～0.3的数值可作为合理的平滑常数。这些数值表明本次预测应将前期预测值的误差调整20%～30%。大一些的常数导致快一些的响应但会生成不可靠的预测。小一些的常数会导致预测值长期的延迟。
但是在对某地区卷烟销售和需求实地的课题调研中我们发现, 在使用“指数平滑”分析工具对不同平滑常数α取值后, 通过比较各误差平方和后发现α大于等于0.7时预测的效果较好, 但是用一次指数平滑进行预测时, 一般α取值不大于0.5。若α大于0.5才能接近实际值, 通常说明序列有某种趋势或波动过大, 一般不适合用指数平滑法进行预测。同时在对某些连续年份内的需求量和实际供给量数据进行了线性回归方程的拟合优度检验和相关性分析后我们发现, 方程拟合程度不高, 信度不足, 需求量和供给量之间相关性较不明显。于是进行原因分析。
出现这样的情况最根本的原因是卷烟产品在生产和销售过程中, 其产品特性决定了不可能完全满足市场的真实需求, 因为一方面卷烟原材料的资源有限性和国家出于国际公约的要求对卷烟产量的限制, 决定了卷烟企业不能无限制地根据市场需求增加产量来绝对满足市场需要;另一方面是卷烟价格的定价不属于类似其他日常消费品的弹性定价, 不能主要用产品价格来控制需求, 于是出现了某些产品的供不应求。同时, 销售公司在进行产品配售中的方法, 使得零售户会放大需求, 以期获得更多的产品配额, 于是数据进一步地趋向“虚假”, 这样的“虚假”不是数据本身的虚假, 而是不能真实反映供需的假象数据。
基于以上原因, 数据不能真实反映供需, 但是长期趋势和卷烟特性 (替代性不强) 决定了可以通过优化“指数平滑法”来寻找一个尽可能科学的方法来对卷烟产品进行需求预测。
1.3 优化“指数平滑法”
我们初期在采用“指数平滑法”进行预测时, 出现了一些无法克服的困难, 其中有数据本身的问题, 也有外向数据引入获取需要时间积累的问题, 但是“指数平滑法”这一方法本身是在卷烟预测中较优的方法, 在烟草公司下发的“卷烟产品需求预测客户经理指导手册”中是指导客户经理进行产品需求预测的首选方法。因此, 我们对此方法进行一定程度的优化调整, 以期满足预测需要。
首先我们结合“马尔科夫链”中的公式思想对公式进行推导说明。我们知道, “指数平滑法”中, 对α取值的不同, 说明了对历史数据和当前数据侧重比重的不同, 其下期预测值的获取应当满足如下公式:
…
Yt*=undefined
于是在实际应用中, 如果我们认为第N年的销售情况比过去的若干连续 (N-1, M) 年份来说, 更类似其中第X年的销售情况, 于是我们对其α的赋值 (也就是第X年数据的权重) 就大一些, 比如, 让α=0.7, 根据上面的公式, 可以得出:第X年数据对第N年数据预测的影响比重为70% (说明更注重当前数据) , 第X-1年的比重根据公式则α为0.21, 即第X-1年的历史数据对第N年数据预测的影响比重为21%, 则第X-2年比重就为9% (依据公式, 各比重之和归1) 。如果在计算过程中, 认为当前数据与历史数据对下一次的数据影响程度比重相同, 就可以对α赋值0.5, 表示当前数据和历史数据其比重各为50%。
通过上述分析可知:优化的指数平滑法是把预测值看做是历史数据的线性和, 其系数为马尔可夫系列。在实际的应用中, 即使某些产品数据不完整, 比如12个月的数据只有10个月的情况, 仍可以通过对存在数据所对应的当期与历史同期数据采用这一方法。这一方法的可靠性不低于单纯的“指数平滑法”, 还体现在可以对月、周数据均能计算预测, 因而可以用于对单一品牌卷烟的需求预测。
在优化此方法后, 我们通过对某地区的实际连续年份需求和供给数据进行分析后预测了下一年卷烟产品的各项需求数据, 预测值与实际值的总误差在20%以内, 符合方程拟合优度的大于等于80%的要求, 方程通过了检验。
2 结论
在对烟草公司进行调研时, 市场部的反映是用“指数平滑法”对卷烟进行需求预测并以此制订计划时误差太大, 认为这个写进指导手册的方法存在问题, 我们通过实证分析后发现, 这个方法本身是可用的, 进行优化以后就更加符合实际情况。当然, 由于课题原因, 我们只能获取某一地区的数据, 并进行了分析和验证, 样本数不足导致实证缺乏广普性, 是本研究结论的一个缺陷, 这有待于今后有机会获取大量样本后继续进行研究。
优化决策支持论文 篇2
【论文关键词】设备维修 决策支持系统 故障诊断
该系统中包含多个决策模块，按其功能可主要分为以下几类决策问题：设备技术状态等级决策、设备维修管理决策、设备故障诊断决策、备件优化库存决策。该系统可以辅助设备维修管理人员进行泵站设备的维修决策。一般一个DSS的核心是模型库系统，其作用是管理各种决策方法、模型，设备维修管理及决策支持系统包含了多种决策模型，如线性规划、模糊决策方法、神经网络方法、层次分析法、灰色系统等。这些模型及其组合可分别在几个功能模块子系统中得到应用，如设备技术状态等级决策中用到模糊综合评判法，设备维修管理决策中用到了逻辑综合决断法、模糊综合评判法等，设备故障诊断决策中使用了模糊诊断理论、专家系统等。以下将着重探讨设备维修管理决策和设备故障诊断决策两类核心决策问题。
1.设备维修管理决策
对设备磨损（有形磨损和无形磨损）的补偿方式有维修和更新。维修可分为事后维修、预防维修和状态维修三种方式。这里的更新概念是指以全部的设备来代替旧设备。因此设备维修管理决策问题可分为：设备更新决策、设备维修方式决策、设备状态维修决策和设备维修周期决策等。以下主要讨论设备更新决策、设备维修方式决策。
1.1设备更新决策
设备更新是修理以外的另一种设备综合磨损的补偿方式，设备更新有两种形式：一种是用相同的设备去更换有形磨损严重、不能继续使用的旧设备；这种更新只是解决设备的损坏问题，不具有更新技术的性质，不能促进技术的进步。另一种是用较经济和较完善的新设备，即用技术更先进、结构更完善、效率更高、性能更好、耗费能源和原材料更少的新型设备，来更换那些技术上不能继续使用或经济上不宜继续使用的旧设备。这种更新不仅能解决设备的损坏问题，而且能解决设备技术落后的问题。在当今技术进步很快的条件下，设备更新应该主要采用后一种。
对设备实行更新，不仅要考虑促进技术进步，同时也要能够获得较好的经济效益。对于一台具体设备来说，应该不应该更新、应在什么时间更新、应选用什么样的设备来更新，主要取决于更新的经济效果。设备更新的时机，一般取决于设备的技术寿命和经济寿命。
有些设备在其整个使用期内并不过时，也就是在一定时期内还没有更先进的设备出现。在这种情况下，设备在使用过程中同样避免不了有形磨损的作用，结果将引起维修费用（特别是大修费用）以及其他运行费用的不断增加。这时，即使进行设备原型替换，在经济上往往也是合算的，这就是原型更新问题。在这种情况下，可以通过分析设备的经济寿命进行更新决策。
设备原型更新的模型可按其费用函数分为低劣化模型、最小年费用模型等。这两种模型都是以追求设备寿命期内的费用最低为目标，当设备的费用最低时的年数也就是设备的设备维修管理及决策支持系统的辅助决策研究最佳更新期。
（1）低劣化模型①
t=t=
其中，t：设备的经济寿命；
B：设备原值；
q：设备的低劣化数值（即每年增加的使用维护费）。
实际分析时，考虑到资金利息，会进行适当的修正。当使用年限超过设备的经济寿命时，一般考虑更新，而不再考虑维修。
（2）最小年费用模型②
如果设备的低劣化值每年变化率并不相同则可采用最小年费用模型计算设备的最佳更新期。
Ct=
式中，ct表示某一确定年份的年平均费用（元）； cp表示某年设备的使用成本（元）；k0表示设备原值； kc表示设备残值；t表示某一确定年数。ct最小时的年数就是设备更新的年限。
1.2设备维修方式决策 毕业论文酷 www.lwkoo.cn
设备可划分为重点设备、重要设备和一般设备，并根据设备的特点和状态，确定最适宜、最经济的维修方式：事后维修、预防维修或状态维修。因此维修方式决策的目标是在保证设备安全运转的基础上，实现设备寿命周期费用最经济、综合效益最高，具体来说，就是提高设备的利用率，降低设备维修费用和运行成本。
维修方式决策的总原则为：对于故障有发展过程且可监测、维修成本高的重要设备实施状态维修；对可靠性和安全性要求高的、故障属于寿命型但不易检测的设备采用定期预防维修，此时需要优化维修内容和间隔期；而对故障危害性较小、故障率恒定且故障不易检测的设备实施事后维修；并针对具体情况见缝插针的实施同步维修和改进维修。
设备维修方式决策的适用对象可以是整机，也可以是某一个子系统，甚至是子系统的某一个子系统，也就是说，维修方式的决策对象可以是所有的泵站系统、子系统，也可以是其中一种设备，甚至是主机的某一个零部件。不论是哪一级的维修对象，使用的决策模型都一样，以下介绍两种决策模型，分别是逻辑综合决断法、模糊综合评判法。
（l）逻辑综合决断法
“逻辑综合决断法”首先把设备分类，然后根据决策目标的要求，就设备性能指标提出一系列逻辑问题，最后根据答案决定建议实施的维修方式。“逻辑综合决断法”主要是一种定性分析方法，其分析步骤为：
第一步，确定企业实施不同维修方式的比例。由于设备、检测能力和维修人员素质等的差异，不同企业实施状态维修、定期维修和事后维修的比例是不同的；
第二步，按照下图所示的流程回答问题，确定设备的维修方式；
第三步，根据步骤一确定的比例关系，调整设备的维修方式，同时考虑其它重要的影响因素，如水电部门对某些设备实施维修方式的限制，最终确定设备的维修方式。
可以看出，逻辑综合决断法简单易行，能在时间短、开支少的情况下，对设备分类，还可充分吸收专家和使用人员的意见，逐步完善分析过程。
（2）模糊综合评判模型
模糊综合评判法决策的基本原理是认为设备特征参数与维修方式之间存在模糊关系：B=A。R ，其中A为设备特征参数模糊集，B为维修方式模糊集，R为识别矩阵，“。”为模糊算子，根据设备特征参数的隶属函数和识别权矩阵可以得到设备的评价集，然后依据一定的决策原则就可以进行设备维修方式决策“。”③
决策好维修方式是实现以可靠性为中心的维修策略的基础，以上两种决策模型各有优缺点，逻辑综合决断法比较简单，但只能利用设备的定性信息；模糊综合评判法在某种程设备维修管理及决策支持系统的辅助决策研究度上能够反映问题的本质，但自学习能力要差一些。对泵站设备而言，维修方式的决策受到诸多因素的限制，模糊综合评判方法有时因不能量化，忽略了某些因素，得到的决策结果不准确，失去辅助决策的意义，因此本系统偏重于采用逻辑综合决断法。
2.模糊理论在设备故障诊断决策中的应用④
作为一门崭新的数学学科，模糊数学的出现与发展，对许多领域尤其是工程技术领域产生了极大的影响，使这些领域不断出现新的成果，从而加速了这些领域的发展.设备维修管理就属于这样的领域。在这一领域中，有些设备的故障原因和现象是明确的、清晰的和肯定的，即模式是明确的、清晰的和肯定的，而大量的诊断对象的模式带有不同程度的模糊性，属模糊式的设备故障诊断及维修管理的问题。
模糊数学为复杂设备的故障诊断及维修管理提供了有力的数学工具。这是因为，随着现代科学技术的飞速发展，各种设备不断复杂化。根据模糊数学创始人Zadeh提出的“不相容原理”，当系统的复杂性增加时，精确而有效地描述系统行为的能力就减少，当达到某一闽值时，精确性和有效性变得相互排斥，因此，设备的复杂程度越高，其系统的模糊性也就越强。运用模糊数学的基本原理，分析处理设备状态监测和故障诊断及维修管理中遇到的模糊信息，将为设备的维修管理开辟新的有效途径。
总之，设备维修管理及决策支持系统的设计及应用将减轻设备维护过程中决策人员的工作负担，提高工作效率、设备运行率及可靠性，产生显著的经济效益。
参考文献：
①②方淑芬、吕文元.设备维修管理智能决策支持系统的研究.系统工程理论与实践［J］，20xx（12）：53-59
③张曾科.模糊数学在自动化技术中的应用［M］.北京：清华大学出版社，1997.
④石涛.模糊数学在机械故障诊断专家系统中的应用［J］.武汉造船，1998（6）：17-18
毕业论文酷 www.lwkoo.cn
基于大数据的教育决策支持 篇3
摘 要：“数据变革思维，分析驱动教育”的大数据时代已经来临。大数据的独特性，以及其对思维、商业、管理带来的变革深入人心，大数据也引领了一次教育变革，利用教育数据挖掘技术和统计分析技术，构建教育数据统计模型，探索教育变量之间的相关关系，为教育教学决策提供有效支持服务，对于进一步深化教育领域综合改革具有深远的意义。
关键词：大数据；教育决策支持；教育综合改革
中图分类号：TP393 文献标志码：A 文章编号：1673-8454（2014）19-0003-03
一、引言
随着时代的变迁，科技的发展日新月异，给我们的生活带来了巨大改变，我们已经跨入了一个全新的信息化时代。近些年来，网络信息技术正在以前所未有的速度包围我们，从物联网到移动互联网再到社交网络等各种媒介的出现，使互联网的领域和应用都得到了很大的扩展，数据扩张的同时也开启了又一次的时代转型，拉开了大数据时代的帷幕。并且计算机和网络的快速发展，对大数据的量化、收集、分析、处理技术的实现使得人们对大数据的认识进一步加深，个人也能更好地从结构化数据、非结构化数据中提炼目标信息，因此，大数据对政治、经济、文化、生活等各方面都带来了革新与挑战。在这次变革中，教育行业也深受影响，不管是教育管理模式还是工作思维方式，以及教育学习行为与教学管理评估等，都因大数据而有了新的机遇。
二、大数据概念及主要特性
大数据这一概念虽然提出不久，却是在某种程度上得到了大家的一致认可而发展迅速。截至目前，学术界对给出如下定义：大数据（big data）或称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。全球知名咨询公司麦肯锡最早提出了“大数据时代”已经到来。实际上，许多发达国家的研究机构和大企业公司都已经把大数据作为获取有效信息的来源以及调整部署重要决策的战略依据。而大数据处理技术也已成为信息挖掘、整理、分析的工具。大数据相比于传统的数据概括起来有四个特点，业界将其归纳为4个“V”：
1.数据规模体量巨大
数据规模体量巨大即为第一个“V”——Volume（大量）。在2007年的研究中就已经得到人类大约储存了超过300艾字节的数据，相当于 3000个压缩成1GB数字电影，近几年，全球数据存储量更是呈现爆炸式增长，互联网数据正在以每年50%的速率在增长，据Gartner预测，到2020年，全球数据量将达到35ZB，等于80亿块4TB硬盘。
2.数据类型多样
数据类型多样即第二个“V”——Variety（多样）。数据类型的多样性主要是指，区别于传统的数字型数据，大数据的数据类型不但包括数字型数据也包括非数字型数据，即包括结构化数据也包括非结构化数据、半结构化数据，因此在整理数据、分析数据上又增加了一定难度，如果想要得到有价值的信息，必须了解图像、视频、网络日志、聊天记录、语音通话、地理位置信息等等各种形式的数据处理技术。
3.数据处理速度快
数据处理速度快为第三个“V”——Velocity（高速）。大数据中的1秒定律，就是解释了可从各种类型的数据中快速获得高价值的信息，这一点也是和传统的数据挖掘技术有着本质的不同。人类储存信息量的增长速度比世界经济的增长速度快4倍，而计算机数据处理能力的增长速度则比世界经济的增长速度快9倍。
4.数据蕴含高价值回报
只要能正确合理地分析利用数据就能找到数据中隐藏的巨大价值为第四个“V”——Value（价值）。大数据里蕴含着丰富的信息资源早就有目共睹了，不管是谷歌对流感来临时的预测，Farecast对美国国内航班的票价预测系统，还是沃尔玛的啤酒与尿不湿的营销策略，都是来自于它们对大数据里隐藏价值的敏锐提取。
三、教育大数据的来源
教育领域的大数据可以从广义和狭义两方面来说，广义的教育大数据指所有来源于日常教育活动中教师、学生等人员的行为数据，狭义的教育大数据则是指学习者行为数据，它主要来源于学生管理系统，在线学习平台和课程管理平台等。目前，教育部正在着力建设国教育管理信息系统，该系统以科学发展观为指导，全面贯彻落实《国家中长期教育改革和发展规划纲要（2010-2020年）》和《教育信息化十年发展规划（2011-2020年）》对教育管理信息化建设的总体要求，以服务国家教育改革发展中心任务为目标，以建立教育管理信息系统和基础数据库为核心内容，以建设“两级建设、五级应用”（即建设国家和省两级数据中心，系统在中央、省、地市、县和学校五级开展应用）为重点，全面建成覆盖全国各级教育行政部门和各级各类学校的国家教育管理信息系统，内容涵盖学前、义务教育、高中教育、职业教育、高等教育等各个学习阶段的学生、教师、学校资产与经费的全样本个体数据，为实现教育管理现代化提供坚实的技术支持和数据支撑。国家教育管理信息系统的建设原则为：“统筹规划、统一建设、集中运行、分步推进”。该系统是教育领域大数据的主要来源。其架构如图1所示。
以国家教育管理信息系统形成的教育基础数据库为核心，吸收社会外围国民经济数据、互联网数据、国外比较数据等，建立数据关联，形成教育大数据，为教育决策提供支持和服务。
四、大数据时代的教育决策支持服务平台
决策支持系统（Decision Support System）是以管理科学、运筹学、控制论和行为科学为基础，以计算机技术、通信技术和仿真技术为手段，针对半结构化的决策问题，支持决策活动的人机系统。教育决策支持服务平台则主要是利用分析模型分析教育管理信息系统里所有的教育大数据，为教育决策者提供一些备选方案，以提高教育政策的质量，进行有效地计划评价和监督的人机教育系统。该系统是国家教育管理信息系统的核心系统之一。
1.教育决策支持服务平台的技术架构
教育数据仓库与数据服务支撑平台的整体技术架构以教育事业全局为视角，基于SOA的理念，采用柔性架构设计思想和分层体系架构，以“满足当前应用、扩展未来需求”为出发点，全面涵盖教育决策支持服务各个方面的数据分析应用需求，并能灵活适应功能、分析内容的动态追加和变更，满足系统未来变化的需要。架构的主要内容以及相互之间的逻辑关系如图2所示。
2.教育决策支持服务平台的角色定位
在教育决策支持服务平台建设过程中有三个互动关联的角色：
一是教育用户，包括各级教育管理部门和各级各类学校机构，他们的角色定位是提供自身掌握的数据及决策需求，是教育决策支持服务平台的使用者；
二是专家团队，包括致力于教育决策研究的专家和科研院所，他们的角色定位是根据教育用户需求和提供的数据，利用自身的科研优势，建立数据模型，提出研究分析报告成果；
三是研发团队，主要是指致力于大数据分析平台开发的厂商，他们的角色定位是对专家团队建立的数据模型和分析报告进行技术实现。
3.教育决策支持服务平台的主要功能
（1）提供教育宏观决策服务
通过对历史统计数据的分析，形成对我国教育发展状况各方面的趋势分析，给国家制订长远规划提供数据理论依据。
（2）提供教育动态监管、预警服务
根据教育大数据实时变化情况，多平台、多时相、多波段和多源数据实时掌控教育动态，为各种教育专项工程提供全程监管、预警服务。
（3）提供突发应急事件解决方案
以教育大数据为基础，利用各种常用的分析方法，如优化方法、预测方法、蒙特卡方法、矩阵方程求根法等，根据结果比较分析可以得出各种备选方案，对突发事件进行全面智能分析寻找最优解决方案。
（4）提供舆情分析服务
通过对教育舆情数据进行深度挖掘，得到影响舆情的主要因素和强相关性变量数据，结合教育大数据，科学规范地制作图表与列表，进而清晰、直观、简洁、深刻、形象地表现舆情事件，并提出相应的分析报告和应对策略。
（5）国内外教育综合比较分析
通过对国内外同类教育综合指标的比较，进行差异化分析，优化我国教育的发展方向。
（6）提供教育个体综合评价、教育管理、教学质量评价服务
通过教育大数据挖掘产生的知识与信息，传递给知识库管理系统，使系统智能化、知识化，实现对教育规律、决策规律以及模型、方法、数据等方面知识的存储和管理，进而对教育个体、教育管理、教学质量进行评价，促进教育综合改革的进一步深化。
（7）提供公众数据服务
教育大数据来源于教育群体，也服务于教育群体，通过对公众需求的调研和对教育大数据的挖掘、分析，形成可供公众查询的成果，打造“阳光政府”。
五、结束语
“路漫漫其修远兮，吾将上下而求索”，实现中国梦，教育任重道远。大数据是客观存在，同时又在不断地衍生变化着，人类认知范围内的“大数据”永远只是冰山一角。《中共中央关于全面深化改革若干重大问题的决定》提出了“深化教育领域综合改革”的战略部署，是促进教育公平的重大举措，我们必须怀着谦恭之心、严谨之心、证伪之心去认知、挖掘、分析教育大数据，找出其内在的规律，为教育领域综合改革提供科学的决策依据，按照中央改革决策部署，锐意进取、勇于创新，加快制度建设，不断完善中国特色社会主义现代教育体系，不断提高中国教育现代化水平，努力办好人民满意的教育。
参考文献：
[1]Romero & Ventura.Educational Data Mining：A Survey from 1995to 2005[J].Expert Systems with Applications.2007（33）：125-146.
[2]蒋玉兰，周磊.关于开放教育学生流失情况的调研报告[J].宁波广播电视大学学报，2006（3）：50-56.
[3]（英）Viktor，Kenneth著，盛杨燕，周涛译.大数据时代——生活、工作与思维的大变革[M].浙江：浙江人民出版社，2013.
[4]尹春华，顾培亮.决策支持系统研究现状与发展趋势[J].决策借鉴，2002（4）：42.
[5]宋允辉.数据库知识发现技术在集成质量决策支持系统中的研究与应用[DB].中国优秀博硕士学位论文全文数据库，2003.
[6]Dringus&Ellis.Using Data Mining as a Strategy forAssessing Asynchronous Discussion Forums[J].Computer &Education Journal，2005 （45）：141–160.
[7]Baker&Yacef.The State of Educational Data Mining in2009：A Review and Future Visions[EB/OL].http：//www.educationaldatamining.org/JEDM/images/articles/vol1/issue1/JEDMVol1Issue1_BakerYacef.pdf.
[8]李婷，傅钢善.国内外教育数据挖掘研究现状及趋势分析[J].现代教育技术，2010（10）：21-25.
[9]徐鹏，王以宁，刘艳华，张海.大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志，2013（6）：11-17.
优化决策支持论文 篇4
关键词：施肥决策支持系统,施肥算法,ASP.NET,B/S结构
决策支持系统(Decision Support System,DSS)是一种以计算机为基础和工具,应用决策科学及其有关理论和方法的人机交互系统,主要面向组织管理的战略计划中半结构化与非结构化的决策问题,提供用户获取数据和构造模型的便利,辅助决策者分析并做出正确的决策。一般来说DSS由数据子系统、模型子系统和对话子系统等组成。传统的决策支持系统是通过数据模型和常规数值计算来辅助决策,并且在决策过程中存在大量知识及知识推理,是很难用数学模型及计算方法来表示的,因而传统的DSS无法模拟现实世界中的复杂情况。因此,对像施肥决策这样的复杂过程进行决策的最佳途径是建立汇集多方专家知识并结合现场数据的实时或在线智能决策支持系统(IDSS)。采取将数学模型与知识模型相结合的方法,使决策支持系统同时具有数值计算和知识处理能力[1]。
近年来,我国把计算机技术、地理信息系统技术应用到施肥研究中的现象日益广泛,研发出很多施肥决策支持系统。这些决策支持系统依据经过大量农学试验总结出的施肥原理模型,主要有以下几种:效应函数法,是经过“3414”试验和讨论得出的适应性较高的施肥决策数学模型;养分平衡法,是一种综合作物生物量的一种施肥计算方法;地力差减法,结合了土测值计算最优施肥量。现有施肥决策支持系统一般以这些算法模型为基础开发。如一些利用当地的农学试验数据运用相对单一独立的施肥原理模型开发的施肥专家系统,具有一定的决策支持功能,但由于施肥原理模型本身的误差缺陷,数据处理不够精准;系统结构设计上缺乏与用户实时交流平台的设计;对实时气象和土壤等种植环境数据获取不够完整,决策支持数据不全面[2,3,4,5]。
该文以施肥决策原理模型为基础,用数值计算和知识处理为工具集成的思想,设计基于“3414”试验和GIS空间分析的施肥决策支持算法。该算法可根据不同环境的不同植物试验数据,灵活地测算出最优施肥量。在系统设计上,克服了现有施肥系统集成度差、可扩展性差等缺点,以B/S架构模式设计并实现了施肥决策系统。同时,系统集成了施肥决策的过程管理,包括施肥决策信息纪录、施肥决策支持操作和种植环境数据获取,包括天气、土壤和种植现场数据;施肥决策信息公告和搜寻功能;施肥知识库查询功能;专家、农户和管理员咨询互动管理功能。该系统为类似的系统提供了一种设计思想和理念。
1 系统框架结构设计
该文按照决策支持系统的设计思想,并结合算法优势,设计了如下的结构,并实现了所涉及的关键技术。系统的结构如图1所示[6]。
1.1 网络层设计
系统的整体结构设计基于软硬件架构分析。系统设计了一个无线传感局域网,传感器测量实时环境数据,例如土壤湿度、电导率、温度、p H值、空气温湿度、CO2浓度、照度等。无线网将传感器测得的数据发送给服务器,服务器实时发布这些信息。基于该平台,用户可实时获知农田及果园种植环境情况,结合本平台提供的施肥决策数据,可以作出更科学合理的施肥决策。
系统采用B/S结构模式,即浏览器/服务器模式。这样设计的目的是达到高互动性的要求,结合B/S架构软件的优势,普通用户通过浏览器使用该系统,达到Web远程操控的目的。极少部分事务逻辑在前端实现,主要事务逻辑在服务器端实现。
1.2 系统设施层设计
系统设计了基于IEEE 802.11协议的wifi路由及由此构建的无线局域网,以支持数据信号的安全传输。在数据存储上,数据采集端设计了数据缓存设备,保证了特殊条件下数据的完整性。服务器端实时接收数据并定期备份,保证数据的无损和可靠。系统还设计了GIS空间数据分析服务器,利用GIS空间分析技术,结合该平台提供的空间数据分析算法,可将小地块的试验数据利用插值扩展到大地块,用于大地块的施肥决策,这样的设计结构节省了测量数据的成本。
1.3 信息资源层设计
信息资源层包括:施肥知识库、实时环境数据库、“3414”试验数据库、GIS空间分析数据库,其使数据关联合理,能方便地进行数据的存储、汇总和分类。
1.4 应用支持层设计
应用支持层包括基础支持层和业务支持层,基础支持层主要包括算法设计和组件设计,业务支持层主要是数据流程设计。
应用支持层设计难点主要在于面向用户类的设计,设计时主要依据使用系统的用户类型而设计。系统主要面向三大类用户:农户、专家和系统管理员。目的是从总体上提供一种面向用户类的设计思路和模式,底层所对应的架构设计都是相对稳定的,可对各种不同应用的开发,为相似的系统提供一种设计架构模式。
对于普通农户,针对其对施肥理论知识的需求和缺乏网络应用知识等问题,在设计系统时,将施肥知识库查询模块集成于系统中。主要功能是进行施肥知识的精确查询和模糊查询。用户可按需求查找施肥理论知识和常识。根据农户对施肥专家的咨询需求,还设计了短信平台。实现了农户通过发送短信的方式询问专家,专家可以采用平台回复和短信回复2种方式解答农户疑问的交流功能。同时,在遇到困难时,农户也可通过浏览以上模块,查找解决方法。
根据专家使用平台的需求,在短信平台中设计了专家施肥建议模块,提供施肥建议的Web和短信双渠道发布,实现专家在线解决的互动交流功能。
根据系统管理员的任务分析,在施肥决策平台和短信平台里都为管理员设计了管理后台,实现了管理员审阅和发布系统文章,施肥知识库数据的录入、修改和更新等功能。
1.5 系统应用层设计
系统服务器端设计了施肥决策平台和短信平台。施肥决策平台主要用于农户的施肥决策和信息查询等,短信平台主要用于农户和专家的互动交流等。
2 施肥决策算法设计
施肥决策系统设计的重点在于,将各种施肥决策原理模型通过数理逻辑方法集成在一个系统中,设计出多模块、多选择、多输出和各个模块间拼接及整体优化的系统结构。该文的算法结构如图2所示。
首先设计了数据录入部分。根据系统算法设计,进入决策模块时可选择:(1)利用12种成熟的施肥效应函数模型和“3414”试验数据,对每一种模型进行拟合,并计算方差,根据方差加权计算最优解,得出最佳拟合函数,实现最优施肥量和产量的计算。(2)将算法(一)的计算最优结果作为算法(二)的目标产量,用于计算最优施肥量,使得该数据更具科学性,并且利用插值可使试验量减少。(3)将算法(一)的目标产量用于地力差减法计算最优施肥量。(4)决策模块允许选择上述3种算法结果,加权计算最终施肥量。这种方法综合了施肥决策数学模型、作物的生物量以及土测值,加权计算后能够提供一种更科学的施肥量计算方法[7]。
根据多模块、多选择、多输出和各个模块间拼接及其优化的设计思路,用户在使用该系统时,可分别选用上述3种方法计算出的施肥量中的任何1种,也可对3种方法加权计算出一个最优施肥量。因效应函数法的缺陷是未能考虑到植物本身生物量的特点,所以设计结合后2种算法综合计算。这3种方法之间的联系既可紧密,也可独立,使得该系统的模块之间具有高内聚低耦合的性质,实现了科学合理的决策,从而达到了最优化施肥的目的。该系统可以拟合计算出适合各种作物和果树的施肥量,针对性强,适用范围广,为类似系统的设计提供了思路。施肥决策的流程如图3所示。
3 数据流程设计
系统的数据源于传感器的实时测量数据、“3414”试验数据和GIS空间分析数据。这些数据提交给服务器处理并存储。施肥决策平台进行处理和决策运算,结果提交给施肥管理平台,用于施肥决策和生产管理等模块作为参考。数据由管理员进行维护和备份,经过过滤和筛选后可发布在Web平台上。系统的数据流如图4所示。
4 系统实现
4.1 系统主要功能实现
系统分成两大平台,即施肥决策平台和短信平台。其中施肥决策平台有三大模块,分别是施肥信息模块、施肥决策模块和施肥知识库模块。施肥决策模块主要功能是利用决策支持综合算法和实时环境监控数据,获取决策支持数据。施肥知识库模块包括施肥专业知识库、有机肥料知识库和无机肥料知识库,用户搜索施肥决策知识库可获取相关的专业信息。施肥信息模块为用户设计实现了可通过查询动态的数据库获得平台上发布的各类信息公告的功能。短信平台为农场管理员、专家、农户提供实时交流平台。农户可使用短信平台获取专家所提供的实时咨询建议,专家也可通过这一途径为农户提供新技术、新产品的渠道信息,管理员可管理平台上的所有用户和发布信息。系统所设计和实现的功能能满足上述3类用户的使用需求,使用户获得科学合理的施肥决策支持,及时解决种植过程中遇到的困难,同时能将信息反馈给施肥专家进行研究,便于管理和记录。施肥决策支持系统功能结构如图5所示,短信平台系统功能结构如图6所示。
4.2 系统用户界面实现
系统在设计系统界面时,依据不同对象的需求,根据农户在施肥时要考虑自然环境因素等影响的需求,设计了施肥信息公告的界面、施肥知识库查询界面、施肥决策界面和短信平台界面。根据管理系统的方便性需求,设计了后台系统管理员界面,各界面间的层次依照该系统功能结构布局。
5 小结
该文所述施肥决策支持系统,考虑各种影响施肥决策的因素,针对目前的现有施肥决策算法设计存在的不足和软硬件系统架构的问题,做出了较大改进[8,9,10],主要有以下特点:首先,施肥决策算法是将成熟的施肥决策原理模型集成于一个算法系统,结合各种模型的优势,优化计算出一个最优的决策方案。其次,系统设计了实用的用户交流平台,将实时农田和果园环境监控数据、决策支持信息、技术信息公告、专家施肥建议以及专业施肥信息库集于一起,不仅能让用户互动交流,还可进行施肥信息查询。第三,系统综合考虑各种因素对施肥决策的影响,结合无线传感器网络技术和GIS空间分析技术,设计了稳定、经济和实用的软硬件体系架构。
参考文献
[1]王自强,冯博琴.基于多Agent的智能钻井决策支持系统的研究[J].计算机工程,2003,29(10):32-33.
[2]赵东.测土施肥专家系统设计与实现[D].长春:长春理工大学,2008.
[3]陈砣,吕新.基于JSP的棉花施肥管理决策系统的设计与实现[J].农业工程学报,2009,25(3):124-127.
[4]赵良,余文君,倪福川.基于CLIPS的配方施肥专家系统的设计与实现[J].计算机工程与科学,2009,31(3):146-148.
[5]张林约,张敦熙,赵春锋,等.基于Internet的关中西部种植业配方施肥专家系统的设计与实现[J].农业网络信息,2009(4):33-35.
[6]肖达,舒继武,薛巍,等.基于组密钥服务器的加密文件系统的设计和实现[J].计算机学报,2008,31(4):601-609.
[7]王建仑,李道亮,董金勇,等.施肥处理方法及系统:中国,2009100-85741.3[P].2009-11-18.
[8]CHRISTINE C,PATRICK L.Implementations of Advisory System for theSolvent selection of Carbon Dioxide Removal Processes[J].ElsevierScience,1997(38):87-92.
[9]赵泽英,彭志良,高雪,等.喀斯特山区测土配方施肥决策系统开发研究[J].贵州农业科学,2009,37(7):229-231.
智能审计决策支持系统 篇5
审计决策支持系统(Audit Decision Support System，ADSS)是辅助审计人员通过数据、模型和知识，以人机交互方式进行半结构化或非结构化决策的计算机应用系统。目前，ADSS被应用于会计师事务所的审计决策支持活动，并承担审计信息的收集、处理和传递功能，为审计人员提供分析问题、建立模型、模拟决策过程和方案的环境，调用各种信息资源和分析工具，帮助提高决策水平和审计质量。
智能审计决策支持系统(Inteligent Audit Decision Support System，IADSS)通常简称为智能审计系统，是在传统ADSS的基础上结合审计专家系统(Audit Expert System，AES)和数据挖掘系统(Data Mining System，DMS)而形成的软件系统。ADSS能够借助定量化的决策支持模型辅助审计人员进行决策，但智能性不足；AES能模拟审计专家思维来解决非结构性的问题，但审计专家知识获取和转化困难，而且不具备自我学习的功能；以神经网络为代表的DMS具有良好的自组织、自学习和自适应能力，但不能对自身的结论进行解释。这三种系统的优缺点恰好互补，若相互融合，则可构建一个IADSS。
一、审计决策支持系统(ADSS)
1、ADSS的特征。ADSS是支持审计人员进行非程序性决策的一种信息系统，具有如下三个特征：(1)以处理非程序性决策为主。(2)对审计人员进行支持而不是代替。(3)系统本身要求具有灵活性，采用联机对话方式，以便利用审计人员的经验和系统提供的信息来分析解决问题。
2、ADSS的构建。按照（国家经济信息系统设计应用标准化规范）中的“三库一体化理论”，ADSS由数据库、模型库和方法库组成，它们彼此独立，用户系统通过三库控制系统与“三库”发生联系。(1)数据库子系统是存储、管理、提供与维护用于审计决策支持的审计数据的ADSS基本部件，是支撑模型库子系统及方法库子系统的基础。数据库子系统由数据库、数据析取模块、数据字典、数据库管理系统及数据查询模块等部件组成。(2)模型库是ADSS中最复杂和最难实现的部分，通常可直接用于制定审计决策的模型是应用结构性比较好的问题，其处理算法有明确规定，其参数值是已知的。对于非结构化的决策问题，有些参数值并不知道，需要运用数理统计等方法估计这些参数值。模型库管理系统的主要功能是模型的利用和维护，模型的利用包括决策问题的定义和概念模型化，从模型库中选择恰当的模型或单元模型构造具体问题的决策支持模型，以及运行模型；模型的维护包括模型的联结、修改和增删等。模型库子系统是在与ADSS其他部件交互过程中发挥作用的，与数据库子系统的交互可获得各种模型所需的数据，实现模型输入、输出和中间结果存取自动化；与方法库子系统的交互可实行目标搜索、灵敏度分析和仿真运行自动化等。更主要的交互则是在人机对话子系统之间，模型的使用和维护实质上是审计人员通过人机对话子系统予以控制与操作。(3)方法库子系统是存储、管理、调用及维护ADSS要用到的通用算法、标准函数等方法的部件，方法库中的方法一般用程序方式存储。它通过对描述外部接口的程序向ADSS提供合适的环境，是计算过程实行交互式的数据存取，从数据库选择数据，从方法库选择算法，然后将数据和算法结合起来进行计算，以清晰地呈现方式输出结果，供决策者使用。
3、ADSS的思路。ADSS解决问题的过程是沿着“审计人员根据当前环境提出问题→审计专家与审计人员交互理解问题→审计专家抽象出数学模型→依据数学模型编制或调用求解软件→软件运行求解问题”这一思路进行。在该思路中，问题的求解由“模型驱动”，问题求解模型随着问题环境的变化而变化，由于变化而重新构造模型时离不开审计专家的辅助，这使原本的审计人员在决策支持系统辅助下求解变成了在审计专家辅助下求解，用户在求解问题的多数环节仍离不开审计专家。ADSS应用中出现这种问题，其主要原因是系统的智能性不足，不能根据问题的变化作出适应性的自主调整。
二、审计专家系统(AES)
1、AES的功能。ADSS借助计算机强大的运算能力与审计人员（专家）灵活的分析和判断能力交互写作，为解决审计中的半结构化与非结构化的决策问题提供了有力的支持。但由于ADSS中计算机一方的重点还在于模型的定量计算，人机对话方式对于大多数不熟悉计算机的使用者仍存在一定的距离，限制了ADSS的应用效果。作为人工智能的一个分支，专家系统在二十世纪80年代初开始进入审计人员的视野，AES是建立在管理信息系统和计算机人工智能技术基础上的一种计算机辅助审计软件系统。与普通计算机辅助审计技术不同的是，它利用人工智能的原理，借助计算机模拟人类的思维过程，对管理信息系统的数据进行计算、分析及推理，并作出相应的判断，提出审计建议及线索，以供审计人员进行进一步的重点审计，最终得出审计结论。AES能够借助计算机强大的数据分析和处理能力，在最短的时间里，做广泛、详细的计算与核查，而且在面临多个结论时，能够通过排序来寻找最佳方案，减少审计人员在做出结论时出现的失误或不一致的可能性，因而可以有效地提高审计效率，降低审计风险。
2、AES的工作过程。AES的工作过程可分为三个阶段：初始化阶段、实质性测试阶段和完善工作底稿阶段。每一个阶段，系统会自动地根据审计人员事先选择的要求和系统数据库中所存储的相关审计知识，分成若干个推理判断的步骤，对被审计单位的会计资料及其他相关资料进行审查，并自动查找存在的各类错误、舞弊、异常数据和变动及其他不利于企业经营的情况，并以列表或审计意见初稿的形式向审计人员列示。在每一个阶段，审计人员都可以通过系统的人机对话界面对审查情况进行监控。作为一种模拟审计专家水平来解决问题的AES，必须具备的组件包括：(1)知识获取组件，它负责审计专家经验（规则）处理，并存储在知识库中，以备推理机调用。(2)知识表达组件，它运用各种表达法，解决内码转换问题，使信息在系统内部各部件之间得以沟通。(3)知识库，它存储的是既不能用数据表示，也不能用模型方法描述的审计专家知识与经验，同时也包括一些特定问题领域的专家知识。(4)知识库管理子系统，由一系列知识库的操作命令程序组成，是知识库操作与其他部件进行联系的桥梁。(5)推理机，主要功能是查询和分析，它由一组具有推理策略的程序组成，根据系统知识库的数据和程序，推断出问题的可能解。(6)解释组件，将推理机得出的结果经过解释输出，在系统的人机交互界面上，寻求审计决策人员的确认和进一步分析。AES中，知识库和推理机是核心。建立知识库的关键是如何表示知识，也就是审计经验的形式化表示，推理机用于确定不精确推理的方法。AES的弱点在于审计知识获取和转化困难，因为其需要人工地将各种审计专家知识从人类专家的头脑中或其他知识源处转换到知识库中，费时且低效；对于动态和复杂的系统，由于其推理规则是固定的，难以适应变化的情况，AES还不能从过去处理过的审计案例中继续学习，使知识获取较为困难。
三、数据挖掘系统(DMS)
1、DMS的功能。DMS能够从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、事先不知道的、潜在有用的信息和知识。不仅可以对信息系统产生的被审计单位财务、业务数据进行深层次分析和研究，而且可以通过模型匹配和挖掘算法实现其在信息系统开发审计、安全审计等方面的应用。此外，通过数据挖掘技术与信息系统审计技术的有效结合可确定快照技术中快照点的选择问题，以及确定系统控制审计复核文件中嵌入审计程序应采集什么信息。
2、DMS的应用。(1)运用统计分析子系统发现偏差数据。审计人员通过建立统计模型对搜集的被审计单位以及同类型单位的大量财务、业务历史数据进行分析，挖掘内部存在的函数关系或相关关系，然后对审计期间内的相关数据进行合理预测。(2)运用聚类分析子系统确定审计重点。利用聚类分析技术对信息系统中被审计单位的同类型的财务数据或者业务数据进行分组，使其成为有相似特性的聚集。一般来说，财务数据及重要业务数据（如销售数据）的变动具有一定的规律性，如果某些数据处于稀疏区域，说明其变动表现异常，需要重点关注。如SQL2005中的Microsoft Analysis Services工具，选择聚类挖掘模型，就可利用其强大的分析功能实现日志数据的分类，将非正常的日志记录从正常的日志数据中区分出来。(3)运用孤立点分析子系统挖掘审计疑点。面对海量的电子数据，采用孤立点检测算法，发现异常审计数据或异常发生频率等，从而发现有可能隐藏的违规行为，如利用快照点捕捉问题数据，利用嵌入式审计模块进行实时监控等方法，达到锁定疑点数据的目的。(4)运用关联分析子系统揭示关键属性。在对财务或业务数据的审计中，同类或不同类会计科目及数据项之间，可能存在某种对应关系，利用关联分析方法来查找、分析，可发现一些隐藏的经济活动，挖掘出数据的各个属性间可能的相互影响，为后续审计工作提供参考。
四、智能审计决策支持系统(IADSS)
1、IADSS的特点。与AES相比，人工智能的另一个分支，以神经网络为代表的数据挖掘系统(DMS)具有良好的自组织、自学习和自适应能力，因而适用于处理复杂问题和开放系统，这弥补了AES的不足。同样，DMS也有其弱点：数据挖掘的知识是分布在整个系统内部，对审计人员而言是个黑箱；而且其对于自己的结论不能作出合理的解释。因此，在ADSS的基础上，融入AES与DMS，可以充分发挥各自的优势，向IADSS发展。
优化决策支持论文 篇6
【摘要】电力企业作为电力市场中的重要成员，时时刻刻都要面临市场的竞争压力，准确分析并科学结算发电成本，对合理控制发电成本具有重要意义，才能使企业获得最大的利润。论文对电厂报价辅助决策支持系统进行设计研究，并对其主要模块和功能作了简要地介绍。
【关键词】发电成本；电厂报价辅助决策支持系统
1.系统设计原则与功能需求
1.1设计原则。决策支持系统的目的是协助管理者做出科学决策，其三个主要成分包括对话部件、模型部件、数据部件。对话部件的功能是完成人机交互，即将用户需求转变为计算机内部可执行的形式，该部件通过控制、调用模型部件和数据部件，从而达到完成其目标的效果。模型部件有两个重要组成部分，模型库和模型库管理系统。模型库包括方法和组合模型，具有解决复杂实际问题的功能；模型库管理系统的主要功能是运行模型和管理模型，根据模型特点形成。数据部件也有两个重要组成部分，数据库和数据库管理系统，它是决策支持系统的重要组成部分，也是管理信息系统核心。它的主要功能是为模型提供数据，用以完成数据计算和非数值处理功能。同时，它也可以通过提供数据的形式起到辅助决策起作用。针对电厂发电报价的特点与具体流程，本文设计四库三功能的系统结构如图1所示。
1.2实现功能。电厂报价决策支持系统的主要实现如下几个功能：（1）数据采集存储及查询。采集电力市场与电力公司内部的实时数据，使管理人员能够及时、全面的掌握整个电网系统的运营状况，并合理分析电力市场的供需情况；（2）市场结算和校核。采集市场下载的年、月、日结算清单与带时间的上网关口电量，校核电量及费用，从而生成年、月、日的结算清单；（3）成本、收入及利润分析。对电厂发电以及提供的各类辅助性服务产品的收入进行计算，并按照年、月、日生成，以及汇总结算各种利润与校核表；（4）市场预测与分析。获取本公司发电的成本信息以及电力市场中各个发电商的历史报价信息，并预测未来电力市场的电价变化；（5）其他发电商市场状况分析。对电力市场中各发电商各机组的上网发电量、负荷率数据进行统计，并对其市场份额以及边际机组等情况加以分析；（6）报价辅助决策分析。分析、预测未来的电价市场情况，为管理人员报价提供辅助决策信息，并生成发电商年、月、日收入，利润汇总结算与校核表。
2.技术支持系统的框架与要求
2.1技术支持系统框架。根据发电报价辅助决策技术支持系统总体目标，其组成模块应包括成本管理、结算管理、报价管理、检修管理、经济运行、合同管理、数据接口以及浏览服务，其中系统的核心业务模块为报价管理模块、成本管理模块和结算管理模块，其系统结构框架如图2所示。
2.2系统总体技术要求。发电报价辅助决策技术支持系统的技术要求主要包括如下7条：（1）可靠性：即技术支持系统的可靠运行；（2）安全性：即采用适当加密防护措施，确保数据不泄露以及系统的安全运行；（3）完整性：即保证系统内部数据以及对外交易的完整性；（4）一致性：即系统内各种存储数据是一致的；（5）连续性：即保证系统在全年365天都具有连续服务的能力；（6）及时性：即数据及时传输与功能及时处理；（7）开放性：即给用户一定的操作自由，且能与其他厂商产品方便集成。
3.系统硬件体系结构与软件平台
3.1系统硬件体系结构。发电报价辅助决策系统是一个新型的复杂系统，它包含有多个子系统，且需要与多种外部系统进行数据信息交流。上述特征对系统的安全性、可扩充性、健壮性具有较高的需求，从而应付电力市场的复杂多变性以及应对灾难事件的发生。其结构设计需采取灵活的设计方式与安全可靠的硬件设备，系统硬件结构示意图如图3所示。
3.2系统软件平台。系统软件平台主要包括如下5个部分：（1）操作系统：Windows2000/XP；（2）数据库管理：SQL Sever 2000；（3）客户机操作系统：WIN2000/WIN98；（4）开发工具软件：Delphi 6.0、SPSS；（5）Web 开发工具：ASP、C#。
4.应用软件系统
根据电厂发电报价辅助决策技术支持系统的框架与功能需求，其结构如图4所示。
（1）系统功能模块。该功能模块是整个系统的基础部分，提供一些宏观的基础参数设置，具体功能有：用户组管理，用户密码管理，交易日设置，市场数据接收，系统维护以及安全日志管理；（2）合同管理模块。该功能模块主要进行合同的管理，其中包括对签订合约以及记录查询合约的完成进度，又可分为年度合同管理、月合同管理、日合同发电计划查询以及合约电量统计；（3）成本管理模块。该功能模块是电厂报价辅助决策支持系统的基本功能，主要对电厂成本的构成和影响因素进行分析，以掌握成本变动的规律，挖掘成本降低的潜力；（4）报价管理模块。该功能模块主要是按照电厂管理所要求的报表格式组织发电报价辅助决策系统里的数据信息，并调用Word、Excel等工具生成所需报表，提高办公管理的自动化水平；（5）结算管理模块。该功能模块主要进行电网与发电企业之间的财务结算；（6）经济运行模块。该功能模块主要是从电厂的生产管理系统中采集发电机组实际运行数据，为成本的结算以及管理提供基础数据；（7）浏览服务模块。该功能模块主要提供电力商品交易的窗口查询及信息沟通服务，其中包括实时发布和查询电力市场相关信息以及电厂报价、成本、结算等信息。
5.结语
本文本系統建立了适应电力市场环境的电厂报价辅助决策支持系统，并对该系统的构架与组成子系统进行分析，对辅助电厂电价管理决策人员具有一定的现实意义。
参考文献
[1]施泉生.企业资源计划与竞价上网辅助决策系统[J].上海电力学院学报，2002，18（2）：37-40
[2]尚金成.电力市场技术支持系统设计与关键技术研究[M].北京：中国电力出版社，2002
[3]于尔铿，周京阳.新一代电力市场技术支持系统[J].中国电力企业管理，2002，（4）：55-56
作者简介
智能决策支持系统研究 篇7
1 智能决策支持系统及其关键技术
1.1 DSS和IDSS概念及应用
决策支持系统 (DecisionSupportSystem) 这个概念是1970年由美国莫顿教授提出, 决策支持系统 (DSS, DecisionSupportingSystem) , 是以管理科学、运筹学、控制论和行为科学为基础, 以计算机技术、仿真技术和信息技术为手段, 针对半结构化的决策问题, 支持决策活动具有智能作用的人机系统。该系统能够为决策者提供决策所需的数据、信息和背景材料, 帮助明确决策目标和进行问题的识别, 建立或修改决策模型, 提供各种备选方案, 并且对各种方案进行评价和优选, 通过人机交互功能进行分析、比较和判断, 为正确决策提供必要的支持。此后它发展迅速, 在美国许多部门中成功地获得应用, 如对城市规划决策、商品销售决策等, 深受用户欢迎。经过国内学者的不懈努力, DSS在实际应用方面取得了丰硕的成果。这些方面的主要成就可以概括为以下几大方面: (1) 政府宏观经济管理和公共管理问题; (2) 水资源调配与防洪预警系统; (3) 产业 (或行业) 规划与管理、各类资源开发与利用决策; (4) 生态和环境控制系统的决策以及自然灾害的预防管理; (5) 金融系统的投资决策与风险分析与管理; (6) 企业生产运作管理的决策。
智能决策支持系统 (IDSS, IntelligenceDecision SupportingSystem) , 是人工智能 (AI, ArtificialIntelligence) 和DSS相结合, 应用专家系统 (ES, Expert System) 技术, 使DSS能够更充分地应用人类的知识, 如关于决策问题的描述性知识, 决策过程中的过程性知识, 求解问题的推理性知识, 通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。IDSS的概念最早由Bonczek等人于80年代提出, 它的功能是, 既能处理定量问题, 又能处理定性问题。IDSS的核心思想是将AI与其他相关科学成果相结合, 使DSS具有人工智能。
1.2 IDSS的分类
根据IDSS智能的实现可将其分为以下4种类型。
1) 利用AI实现系统的智能, 又分为基于ES的IDSS、基于机器学习的IDSS和基于AI新技术Agent的IDSS。其中Agent的研究成为目前人工智能研究的热点, 主要有智能型Agent研究、多Agent研究和面向Agent的程序设计研究3个方面, 基于Agent的计算被认为是软件开发的下一个重要的突破。
2) 利用数据库领域的新工具———数据仓库、联机分析处理及数据挖掘技术来帮助实现智能。这些工具使用户在分析大量复杂数据时变得轻松而高效, 可以迅速做出正确判断。其中数据挖掘是从大型数据库或数据仓库中发现并提取隐藏在其中的信息的一种新技术, 它可以从DSS执行者没有想到去问的数据库中找出与决策问题相关的信息, 帮助决策者寻找数据间潜在的关联, 发现被忽略的要素, 并通过分析现有的方式来预期将来的行为。随着网络及数据库的普遍应用, 这种方法具有广泛的应用前景。
3) 利用逻辑观点、面向对象方法或关系来表示系统各部件, 使IDSS在总体上统一表示、相互协调以实现系统的整体智能行为。
4) 具有知识学习能力的IDSS。根据IDSS的学习能力的不同, 知识系统可分为静态知识系统和动态知识系统。静态知识系统的知识维护需要人工干预, 系统的行为在求解过程开始前就已经确定了, 而动态系统则可以自动从决策过程中获得经验, 自动对知识库进行维护与更新, 从而支持复杂环境下的决策过程, 反映了较高级的智能活动。
1.3 IDSS的关键技术
1.3.1 模型库系统的设计与实现
它包括模型库的组织结构、模型库管理系统的功能、模型库语言等方面的设计与实现。
1.3.2 部件接口
包括对数据部件的数据的存取、对模型部件的模型的调用和运行、对知识部件的知识完成推理。
1.3.3 系统综合集成
决策支持系统需要对数据、模型、知识、用户交互四个部件组成。需要强大的计算能力和数据处理能力, 一般的计算机语言如C、PASCAL、FORTRAN等不支持数据库的操作, 而VF、ORACLE、SQL等的数值计算能力不足。而决策支持系统既要数值计算又要数据库操作, 对开发语言的要求是很高的。
2 数据仓库、OLAP和数据挖掘的决策支持技术
数据仓库和OLAP是90年代初提出的概念, 到90年代中期已经形成潮流。在美国, 数据仓库已成为仅次于Internet之后的又一技术热点。数据仓库是市场激烈竞争的产物, 它的目标是达到有效的决策支持。大型企业几乎都建立或计划建立自己的数据仓库, 数据库厂商也纷纷推出自己的数据仓库软件。目前, 已建立和使用的数据仓库应用系统都取得了明显的经济效益, 在市场竞争中显示了强劲的活力。
数据仓库将大量用于事务处理的传统数据库数据进行清理、抽取和转换, 并按决策主题的需要进行重新组织。数据仓库的逻辑结构可分为近期基本数据层、历史数据层和综合数据层 (其中综合数据是为决策服务的) 。数据仓库的物理结构一般采用星型结构的关系数据库。星型结构由事实表和维表组成, 多个维表之间形成多维数据结构。星型结构的数据体现了空间的多维立方体。这种高度集中的数据为各种不同决策需求提供了有用的分析基础。数据仓库对底层数据库中的事务级数据进行集成、转换和综合, 重新组织成面向全局的数据视图, 为DSS提供数据存储和组织的基础。
随着数据仓库的发展, OLAP也得到了迅猛的发展。数据仓库侧重于存储和管理面向决策主题的数据;而OLAP则侧重于数据仓库中的数据分析, 并将其转换成辅助决策信息。OLAP的一个重要特点是多维数据分析, 这与数据仓库的多维数据组织正好形成相互结合、相互补充的关系。OLAP技术中比较典型的应用是对多维数据的切片和切块、钻取、旋转等, 它便于使用者从不同角度提取有关数据。OLAP技术还能够利用分析过程对数据进行深入分析和加工。OLAP从数据仓库中的集成数据出发, 构建面向分析的多维数据模型, 再使用多维分析方法从多个不同的视角对多维数据进行分析、比较。利用OLAP还可以实现实时行情的计算机模拟。
数据挖掘 (DataMining) 是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则, 为经营决策、市场策划、金融预测等提供依据, 使大型数据库作为一个丰富可靠的资源为知识归纳服务。数据挖掘技术涉及数据库、AI (人工智能) 、机器学习、神经计算和统计分析等多种技术, 它使决策支持工具 (DSS) 跨入了一个新阶段。实际上OLAP就是一种广义的、简化了的较浅层次的数据挖掘, 而数据挖掘是OLAP的扩展, 是使这一过程尽可能自动化的分析过程。数据挖掘以数据仓库和多维数据库中的大量数据为基础, 自动地发现数据中的潜在模式, 并以这些模式为基础自动做出预测。这些模式往往是动态的, 发现这些模式是非常重要的工作。根据这些模式可以进行投资决策, 这是开发的关键环节。数据挖掘表明, 知识就隐藏在日常积累下来的大量数据之中, 仅靠复杂的算法和推理并不能发现知识, 数据才是知识的真正源泉。
3 智能投资决策支持系统架构
证券投资决策支持系统的组件包括即时行情数据库和公司经营数据库, 以及数据接口模块, 数据接口模块负责把以上数据转换到数据仓库中。元数据 (Metadata) 是数据共享的基础, 可简单理解为数据的数据。内容上是关于数据的内容、质量、条件和其他特性的数据。
用途上是关于数据的结构化描述, 用于对数据的精确理解、搜索和处理。元数据为各种形态的数字化信息单元和资源集合提供规范、普遍的描述方法和检索工具, 为分布、由多种数字化资源有机构成的数据共享体系提供整合的工具和纽带。由于内在的统一性, 这种新架构很好地解决了相互间的衔接问题。数据仓库为OLAP提供了充分可靠的数据基础, 数据挖掘可以从数据仓库和多维数据库中找到所需的数据, 数据挖掘中发现的知识可以直接用于指导OLAP的分析处理, 而OLAP分析得出的新知识也可以立即补充到系统的知识库中。
4 总结
通过对证券投资决策支持系统的研究, 可以看出, 随着证券市场的飞速发展, 信息量增大、变化加快、种类增多, 在这样一种复杂的环境中进行决策, 充分利用数据挖掘等技术是今后投资决策支持系统发展的方向。
参考文献
[1]安淑芝.数据仓库与数据挖掘.北京:清华大学出版社[M].2005.
[2]蔚成香, 宁伟, 李艳.一智能决策支持系统的设计与实现[J].山东科技大学学报, 2001 (12) .
决策支持系统发展趋势研究 篇8
一、决策支持系统的概念
DSS是决策支持系统 (Decision Support System) 的简称。DSS的概念最早是由Scott Morton和Keen于20世纪70年代中期提出的, 是20世纪70年代末期兴起的一种新的管理系统。管理的核心是决策, 决策是一个过程。DSS是一种以计算机为工具, 应用决策科学及有关学科的理论与方法, 以人机交互方式辅助决策者解决半结构化或非结构化决策问题的信息系统, 是以特定形式辅助决策的一种科学工具。它通过人机对话等方式为决策者提供了一个将知识性、主动性、创造性和信息处理能力相结合, 定性与定量相结合的工作环境, 协助决策者分析问题、探索决策方法, 进行评价、预测和选优。
二、决策支持系统的主要类型
自20世纪70年代提出决策支持系统 (DSS) 以来, DSS已经得到了很大发展。从目前发展情况看, 主要有如下几种DSS。
1. 数据驱动的决策支持系统 (Data Driven DSS)
这种DSS强调以时间序列访问和操纵组织的内部数据, 也有时是外部数据。它通过查询和检索访问相关文件系统, 提供了最基本的功能。后来发展了数据仓库系统, 又提供了另外一些功能。数据仓库系统允许采用应用于特定任务或设置的特制的计算工具或者较为通用的工具和算子来对数据进行操纵。
2. 模型驱动的决策支持系统 (Model Driven DSS)
模型驱动的DSS强调对于模型的访问和操纵, 比如:统计模型、金融模型、优化模型和/或仿真模型。简单的统计和分析工具提供最基本的功能。一些允许复杂的数据分析的联机分析处理系统 (OLAP) 可以分类为混合DSS系统, 并且提供模型和数据的检索, 以及数据摘要功能。模型驱动的DSS的早期版本被称作面向计算的DSS。
3. 知识驱动的决策支持系统 (Knowledge-Driven DSS)
知识驱动的DSS可以就采取何种行动向管理者提出建议或推荐。这类DSS是具有解决问题的专门知识的人-机系统。”专门知识”包括理解特定领域问题的”知识”, 以及解决这些问题的”技能”。构建知识驱动的DSS的工具有时也称为智能决策支持方法。
4. 基于Web的决策支持系统 (Web-Based DSS)
基于Web的DSS通过“瘦客户端”Web浏览器向管理者或商情分析者提供决策支持信息或者决策支持工具。运行DSS应用程序的服务器通过TCP/IP协议与用户计算机建立网络连接。“基于Web”意味着全部的应用均采用Web技术实现。
5. 基于仿真的决策支持系统 (Simulation-Based DSS)
基于仿真的DSS可以提供决策支持信息和决策支持工具, 以帮助管理者分析通过仿真形成的半结构化问题。这些种类的系统全部称为决策支持系统。DSS可以支持行动、金融管理以及战略决策。包括优化以及仿真等许多种类的模型均可应用于DSS。
6. 基于GIS的决策支持系统 (GIS-Based DSS)
基于GIS (地理信息系统) 的DSS通过GIS向管理者或商情分析者提供决策支持信息或决策支持工具。通用目标GIS工具, 如ARC/INFO、MAPInfo以及Ar2c View等是一些有特定功能的程序, 可以完成许多有用的操作。同时, Internet开发工具已经走向成熟, 能够开发出相当复杂的基于GIS的程序让用户通过World Wide Web进行使用。
7. 通信驱动的决策支持系统 (Communication-Driven DSS)
通信驱动型DSS强调通信、协作以及共享决策支持。简单的公告板或者电子邮件就是最基本的功能。通信驱动型DSS能够使两个或者更多的人互相通讯、共享信息以及协调他们的行为。
5.基于数据仓库的决策支持系统 (Data Ware-Based DSS)
数据仓库是支持管理决策过程的、面向主题的、集成的、动态的、持久的数据集合。它可将来自各个数据库的信息进行集成, 从事物的历史和发展的角度来组织和存储数据, 供用户进行数据分析并辅助决策, 为决策者提供有用的决策支持信息与知识。
三、决策支持系统的发展趋势
随着新技术的出现和迅速发展, DSS的研究和应用也正在迅速发展。新一代DSS主要向以下几个方向发展:群决策支持系统 (GDSS) ;分布式决策支持系统 (DDSS) ;智能决策支持系统 (IDSS) ;决策支持中心 (DSC) 等。
1. 群决策支持系统 (GDSS)
群决策支持系统 (GDSS) 是在多个DSS和多个决策者的基础上进行集成、优化的结果。是由多个决策者的智慧、经验以及相应的决策支持系统组成的集成系统, 它以计算机及其网络为基础, 用于支持群体决策者共同解决半结构化、非结构化问题的决策问题。GDSS有利于群体决策成员思维和能力的发挥, 也可以阻止消极群体行为的产生, 限制了小团体对群体决策活动的控制。
2. 分布式决策支持系统 (DDSS)
DDSS是研究分布于多个物理位置上的决策体如何并发计算、协调一致地求解问题。这些分布在不同物理位置上的决策体构成计算机网络, 网络的每个结点至少含有一个决策支持系统或有若干辅助决策的功能。DDSS研究的重点是分布性和并发性。随着各种网络的普及和分布式操作系统、分布式数据库、知识库等成果的取得, 使分布决策支持系统成为今后DSS的一个重要发展方向。
3. 智能决策支持系统 (IDSS)
DSS为解决半结构化与非结构化的决策问题提供了有力的支持。同时人工智能领域研究在人的知识开发与利用上获得了重要的成果, 这些都可以弥补DSS的不足, 因此将人工智能引入DSS形成智能型DSS (Intelligence DSS) 。人工智能技术应用于DSS的程度与范围不同可以构成不同结构的IDSS, 由用户通过人机接口, 应用自然语言处理系统接入问题处理系统, 然后由推理机在模型库、数据库、方法库及知识库中进行搜索推理, 获取相关决策信息。
4. 决策支持中心 (DSC)
DSC的主要特点就是在DSS基础上, 采取了以决策支持小组为核心的人机结合的决策思想, 以及定性和定量相结合的综合集成方法, 以支持决策者解决决策问题。DSC是在把决策方法论、数据收集和分析方法、计算机支持技术和软件等结合起来的同时, 又融合了各科专家的技术经验、研讨结果和社会知识的一种综合集成决策支持系统。
5. 行为导向的DSS
所谓行为导向DSS (Behavior Oriented DSS) 是一个全新的角度即行为科学角度来研究对决策过程的支持, 其主要研究对象是人, 而不是以计算机为基础的信息处理系统, 主要是利用对决策行为的引导来支持决策, 而不仅仅用信息支持决策。
四、结束语
DSS的技术和理论不断发展, 从其发展趋势可以认识到:决策支持系统是专门为高层管理人员服务的一种信息系统, 它强调支持的概念, 是“支持”而不是“代替”人的决策主体。DSS也是一个高度灵活、交互式的计算信息系统, 主要解决半结构化问题结构化的决策问题。它涉及到计算机软件和硬件、信息论、人工智能、信息经济学、管理科学、行为科学等学科”, 帮助决策者提高决策能力与水平, 最终实现提高决策的质量和效果的目的。
参考文献
[1]中国科学院计算技术研究所智能信息处理重点实验室智能科学课题组.智能决策支持系统.[2006-07-18].http://www.intsci.ac.cn/dss/idss.html
[2]吴新年陈永平:决策支持系统发展现状与趋势分析[J].情报资料工作, 2007年第1期:57～58
[3]Bonczek, R, C.Holsapple, A.Whinston:Foundations of Decision SupportSystems.NewYork:Academic Press, 1981
[4]Chen Wei-Chou, Hong Tzung-Pei, Jeng Rong.A framework of decision support systems for use on the World Wide Web.Journal of Network and Computer Applications, 1999 (22) :1～17
[5]于永玲史瑞芬:数据仓库在决策支持系统中的应用[J].郑州航空工业管理学院学报, 2001, 20 (3) :78～80
[6]顾红艳:从DSS的发展重新认识决策支持系统[J].沈阳工程学院学, 2006, 2 (3) :330～332
煤炭企业决策支持信息系统 篇9
煤炭企业集团具有地域广、规模大、管理流程复杂、安全隐患多等特点,各类信息资源分散性强,数据收集、汇总、挖掘难度较大。煤炭企业决策支持信息系统以企业人、财、物、产、供、销等业务信息系统为基础,采用相应的数学模型对大量的指标和数据进行挖掘和分析,形成企业的关键信息,以文字、表格、图形、仪表盘图等形式提供给决策层和管理层,展示企业关键指标数据和业务信息,为企业科学决策奠定基础。龙口矿业集团有限公司在改造原有调度统计信息系统及其它各业务信息系统接口的基础上,建立了决策支持信息系统。
1 系统架构
煤炭企业决策支持信息系统总体架构如图1所示。
系统采用标准的决策支持系统模型设计,分为业务逻辑层、数据层、展现层。其中业务逻辑层从各业务系统抽取数据(或另行补录数据),数据层对数据进行保存和加工,展现层展现各类表格和图形。
2 系统数据来源及处理
2.1 数据来源
(1)煤炭销售数据:自动读取模块自动从煤炭销售系统数据库获取数据,并存储到决策系统数据库。
(2)物资、人力资源、财务及预算数据:从中间库系统实时接收数据。
(3) 生产业务数据:
由各生产单位每日直接填报产、销、存等指标数据。
2.2 数据存储
数据存储主要采用面向主题的数据仓库(集市)多维表结构和与业务系统对应的ODS(Operational Data Store,操作数据存储)层表结构。
(1) ODS层表结构针对生产和销售,用于存储各生产单位填报的日产量计划值、实际值和从销售系统获得的日销量数据值。
(2) 多维数据集表结构包括行业定义表(存储对煤、电、油、空分、水泥等的定义)、指标集定义表(存储各行业的KPI指标描述)、生产单位定义表(存储集团下属生产单位)、多维护数据值表(存储各单位各指标的计划值和实际值,为保证系统存取效率,数据表拆分为年、半年、季、月、周、日6套表结构)。
(3) 其它表结构包括专项调度模块表结构、生产计划表结构、资金计划表结构、系统表结构等。
2.3 系统数据加工处理流程
系统数据加工处理流程如图2所示。
销售ETL(Extract-Transform-Load,数据抽取、转换、装载):从销售系统读取数据,使用一台单独的转储服务器(信息中心分配的虚拟机)。通过调度统计中的相关填报模块可对数据进行修改。
调度统计:填报各个指标的日数据,并存入生产ODS表中。调度填报模块中的日计划值来源:生产计划→计划值转储→多维数据表(月)→月计划分解→调度填报界面。其中月计划分解是指可被调用的、从多维数据表取月计划值除以有效天数的计算功能。生产ODS表结构有煤炭生产日数据表结构、发电生产日数据表结构、页岩油产销存日数据表结构、空分产销存数据表结构、水泥产销存日数据表结构等。
日数据转储:将销售日数据和生产日数据汇总后转存到多维数据表中,并触发周、月、季、半年、年的自动汇总。
中间库客户端:决策系统内置一个中间库客户端,时刻监听中间库系统的通知。当物资、财务、人力资源等系统的月指标值产生或修改后,决策支持信息系统立即从中间库取月指标数据的值并对其进行更新。
专项调度和资金计划:两部分分别有相应填报与查询界面及保存数据的表结构,并与其它部分共享一些基础的数据表结构,如工作面状态类型等。
生产计划:生产计划填报模块提供填报界面,并将填报结果保存在生产计划系列表结构中。保存后触发计划值转储模块,系统自动根据配置将指定的指标计划值汇总到多维护数据表结构中。
多维数据表:为同比分析、环比分析、与计划对比、趋势分析、预警分析、预测分析等分析模型提供数据。
3 关键指标信息
通过分析各种数据指标的类型及属性,建立起一套企业关键性指标的体系结构,见表1。该指标体系共包含45个关键指标,囊括了企业财务、预算、生产、供应、库存、销售、人力资源、物资等所有业务环节。
4 系统功能
煤炭企业决策支持信息系统功能如图3所示。其中决策支持模块的特点是以数据驱动分析,在展现界面上显示主要指标的当日值、月累计值、年累计值,可组合指标、单位、时间周期3个维度的条件驱动各分析模型,还可实现面向特定业务主题的多维分析功能。
5 结语
煤炭企业决策支持信息系统对各业务系统的数据进行挖掘和分析,建立了企业关键性指标体系,为领导层和管理层提供了其最关注的指标信息,大大提高了企业决策的科学水平。
参考文献
[1]陈文伟.决策支持系统教程[M].北京:清华大学出版社,2004.
[2]张玉峰.决策支持系统[M].武汉:武汉大学出版社,2004.
[3]周国祥.基于数据仓库的决策支持系统设计与应用[J].现代计算机:下半月版,2008(9):118-121.
支持实时决策的商务智能研究 篇10
一、商务智能概念及其发展历程
商务智能 (Business Intelligence, BI) 最早是20世纪90年代末在国外企业界出现的, 是指将企业的各种数据及时地转换为管理者感兴趣的信息 (或知识) , 并以各种方式展现出来, 帮助管理者进行科学决策。这里的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料, 来自企业所处行业和竞争对手的数据以及来自企业所处的其他外部环境中的各种数据。这里的数据既包括企业内部的各种数据, 也包括企业外部的数据。从技术角度来看, 商务智能是重视分析数据的技术[1]。从应用的角度讲, 商务智能也可以被理解为DW+OLAP+DM。数据仓库 (DW) 是实现商务智能的数据基础, 完成了数据的收集、集成、存储、管理等工作, 使得商务智能更专注于信息的提取和知识的发现。数据仓库存储元数据和用于决策分析的数据。数据挖掘 (DM) 可以帮助企业在大量的数据中发现那些不能靠直觉发现的信息或知识。联机分析处理技术 (OLAP) 可以基于数据仓库中多维的数据进行在线分析处理, 生成新的信息, 又能实时监视业务管理的成效, 使管理者和决策者能自由地与数据相互联系。
商务智能的出现是一个渐进的、复杂的演变过程, 它经历了事务处理系统 (TPS) 、管理信息系统 (MIS) 、决策支持系统 (DSS) 和专家系统 (ES) 等阶段, 演变为今天的商务智能系统 (BIS) 。在决策支持系统基础上进一步发展起来的商务智能能够向用户提供更为复杂的商业信息, 可以更方便地定制各种报表和图表的格式, 能够向行政管理人员、技术人员和普通员工提供个性化的多维信息, 使分析处理信息的能力和信息的利用率大为提高。例如, 当用户想了解销售情况时, 可以得到按产品、产品/地区、产品/地区/客户分类的网上销售和正常柜台销售的各种样式的分析报告。在此基础上, 可以进一步解决决策时需要了解的各种问题, 并帮助企业更快、更好地制订和作出决策[1]。
目前, 商务智能通常被理解为将现有的数据转化为知识, 帮助企业作出明智的业务经营决策的工具。而商务智能能够辅助的业务经营决策, 既可以是操作层的, 也可以是战术层和战略层的决策。
第一代商务智能平台是在1992-1993年开发的基于Client /Server模式的固定报表工具;第二代在Client /Server /Browser三层模式下的商务智能工具, 尽管强化了查询功能, 但各个工具之间仍相互独立;2000年之后出现了N层模式, 用户的需求也越来越复杂。目前提出的第三代商务智能是在报表、查询的基础上, 增加了用于分析的指标模型、整合信息孤岛平台的信息门户和全方位满足用户的数据挖掘能力。
目前市场上的商务智能厂商可分为三大类:第一类是专门做商务智能软件的厂商, 如Business Object、Brio、Cognos;第二类是继承性的数据库厂商和统计软件厂商, 包括NCR、Microsoft、CA、Oracle、Sybase、IBM、SAS等;第三类是一些管理软件厂商, 如SAP、博科、用友、金蝶等公司。不同的人对商务智能的理解仍然不同。数据库服务商 (如Oracle、IBM、Sybase) 往往认为数据仓库是商务智能的核心, 数据展示服务商 (如Hyperion、BO、Cognos) 则认为商务智能就是联机分析 (OLAP) , 而数据分析服务商 (如SAS、SPSS) 认为数据挖掘才是商务智能的核心[2]。
二、企业决策与阻碍实时决策的3种类型滞后
1.企业决策定义及分类
根据Simon的决策理论, 企业中最重要的一项功能就是作决策, 良好的决策能够加速企业解决问题的速度, 提升企业的效能[3]。如今决策问题日益复杂, 大量的半结构化、非结构化问题需要解决, 大量的信息和知识需要处理, 而个人处理信息的能力十分有限, 因此, 使用信息系统如商务智能系统和知识管理系统来支持企业决策, 是必然的发展趋势。
决策制订广义上是指“从一组方案中选择最可能产生期望结果的方案的过程”[4]。决策制订可以看作是知识密集型的活动[5]。为选择一组方案, 决策制订者应首先获得关于每个可能选择的信息, 一旦可供选择方案的信息收集到了顶点, 就被认为是一条新的知识。
H.A.Simon定义决策过程包括4个阶段:智能、设计、选择、执行[6]。智能阶段, 决策者觉得需要作决策, 决策者收集决策需要的信息和知识并且按照企业目标评价知识;设计阶段, 形成可选择的行动方案, 决策者根据每个可选方案推测可能的结果, 可能的结果按照企业目标进行评价, 如果需要额外的知识, 应该返回到智能阶段;选择阶段, 决策者从可选方案中选一个, 可能几个可选方案有相似的结果, 可能没有一个可选方案满足决策者。在这种情况下, 决策者可以根据所提出的方案选择一个, 或者返回到前面制订方案的阶段形成新的可选方案或收集额外的信息;一旦选择了方案, 下一步就是执行或把选择付诸行动, 包括通知受到影响的个人下一步该做什么, 或者是简单地报告选择结果, 决策过程的高潮实际是执行。
企业面临的决策问题按性质可分为结构化、半结构化和非结构化3类问题。结构化决策是指在一种未来确定的自然状态条件下, 比较可行方案效益结果, 从中选择较优方案的决策。半结构化决策是根据不同自然状态下可能发生的概率进行决策。非结构化决策是指在非确定情况下能知道可能发生的各种自然状态, 但对各种自然状态的出现可能性无法估计情况下的决策。针对3种决策类型, 有相应的决策方法与模型作为支撑。商务智能系统可以帮助用户选择合适的决策方法与模型, 解决这3种类型的决策问题。
2.阻碍实时决策的3种类型滞后
对许多人来说, “实时”就是“即时”的同义词。尽管一些数据仓库的数据可以在很短的时间内被捕捉和输入数据仓库, 但大部分还是做不到的。一些数据仓库一个月更新一次, 一些数据“实时”的代价昂贵或者很困难[7]。本文讲的“实时”并不总是“即时”, 有时可以用“适时”来代替.
大部分情况下, 数据价值随着数据的滞后时间快速减少。不同的是, 滞后时间短的数据 (等于新的) 价值高于滞后时间长的。这就是实时决策吸引人的原因。Richard Hackathorn[8]提出了决策与时间滞后的有用观点 (参见图1) 。他定义了3种滞后:数据滞后、分析滞后、决策滞后。数据滞后指从事件发生到相关数据被存到数据仓库之间的时间;分析滞后指的是从数据存储到数据被分析并且可利用之间的时间;决策滞后指的是从获得有用的信息到采取行动之间的时间。这3种滞后可加成, 导致总的滞后。减少数据滞后和分析滞后主要依赖技术方案, 减少决策滞后依赖商业过程的变化和人们如何使用信息。提供更新的数据并不创造商业价值, 除非以“实时”的方式使用它。处理决策滞后总比数据滞后和分析滞后更具挑战性。
商务智能可以减少数据滞后、分析滞后和决策滞后, 增加商务价值。商务智能包括详细分析每个业务过程以寻找减少决策周期的机会, 实时商务智能支持实时决策。企业可以评估应用什么商务智能技术和产品作为实时方案。例如, 实施准时制的制造企业需要全天更新库存材料, 企业需要尽可能快的关于例外情况的报告[9]。
三、面向实时决策构建商务智能系统
1.企业决策与商务智能
许多学者强调为了进行战略决策和计划, 使用信息收集的方法创造商务智能和竞争优势的重要性。随着企业信息化进程的不断推进, 很多企业已积累了大量的业务数据, 企业需要运用商务智能技术对这些业务数据进行充分的挖掘并进行辅助决策, 以便在激烈的市场竞争中赢得主动和更多的商机。可以看出, 企业信息化是商务智能应用的基础, 商务智能最大限度地利用了企业信息化中的数据, 将企业数据整理为信息, 再升华为知识, 从而对用户提供最大程度的支持。商务智能系统支持企业操作层、管理层和战略层的各项决策活动。
2.支持实时决策的商务智能体系
商务智能从不同的数据源收集数据, 并从中提取有用的数据, 对数据进行清理以保证数据的正确性, 经提取、转换后将数据加载入数据仓库 (这时数据变为信息) , 然后通过联机分析处理工具、数据挖掘工具加上决策规划人员的行业知识, 对信息进行处理 (这时信息变为辅助决策的知识) , 最后将知识呈现于用户面前转变为决策[1]。商务智能帮助我们在业务管理及发展上做出及时、正确的判断。也就是说把各种数据及时地转化为管理者感兴趣的信息 (或者知识) , 然后根据这些信息来采取明智的行动。
商务智能作为一种信息集成解决方案, 从企业资源规划 (ERP) 、客户关系管理 (CRM) 、供应链管理 (SCM) 、办公自动化 (OA) 、电子商务 (E-Commerce) 以及外部环境扫描 (Environmental Scanning) 等系统获得数据, 通过商务智能分析工具 (如数据挖掘技术、平衡记分卡、OLAP等) 发现数据背后隐藏的商机或威胁, 了解企业和市场的现状, 把握趋势, 进行及时决策。决策支持是在商务智能基础上的再扩展, 支持实时决策的商务智能体系如图2所示。
实时商务智能建设的主要目标是支持实时决策。商务智能通过运用信息技术在不同层面为战略决策提供新的支持:提升决策者洞察力;支持信息获取与分析。商务智能系统可以从以下方面帮助企业获取更大的竞
争优势:显著提升企业决策水平;识别优质客户, 改善企业与客户关系;降低企业经营成本;创新业务模式。
近年来, 商务智能随着管理支持系统 (MSS) 的发展而变化, 自从20世纪80年代MSS作为整合报告和分析工具以支持管理任务的概念被提出以来, 主要是被动的、面向检索的和基于过去数据的。商务智能促进了一种主动的、给予模型的、预测的方法。在商务智能中, 智能常被定义为从大量商务和经济数据中发现隐藏的、固有的与决策相关的关系[10]。
商务智能能够充分利用现有的业务信息, 借助现代信息技术, 提取和组织有用的信息, 帮助用户在加强管理、促进营销和企业发展方面做出及时、正确的决策, 发现、分析和把握新的商机。
参考文献
[1]Charles P Seeley, Thomas H Davenport.KM Meets Business Intelli-gence:Merging Knowledge and Information at Intel[J].KM Review, 2006 (2) :10-15.
[2]黄晖.中国式商务智能五人谈[J].上海信息化, 2005 (3) :26-31.
[3]HA Simon.The New Science of Management Decision[M].Englewood Cliffs, NJ:Prentice Hall, 1977:39-81.
[4]P Balasubramanian, K Nochur, J C Henderson, et al.Managing Process Knowledge forDecision Support[J].Decision Support Systems, 1999, 27 (1) :145-162.
[5]C W Holsapple.Knowledge Management in Decision Making and Deci-sion Support[J].Knowledge, Technology and Policy, 1995, 8 (1) :5-22.
[6]J FCourtney.Decision Making and Knowledge Management in Inquiring Organizations:Toward a New Decision-making Paradigm for DSS[J].Decision Support Systems, 2001, 31 (1) :17-38.
[7]C White.Now Is the Right Time for Real-Time BI[J].DM Review, 2004 (9) :47-54.
[8]R Hackathorn.The BI Watch:Real-Timeto Real Value[J].DM Re-view, 2004 (1) .
[9]B S Sahay&Jayanthi Ranjan.Real Time Business Intelligence in Supply Chain Analytics[J].Information Management&Computer Security, 2008 (1) :28-48.
数据仓库在决策支持系统中的应用 篇11
关键词：数据仓库；决策支持系统；DSS；OLAP；DM；DW
中图分类号：TP311.131 文献标识码：A 文章编号：1007-9599 (2012) 09-0000-02
一、引言
决策支持系统是在管理学和运筹学的基础上，以计算机技术和信息技术作为手段，通过人机交互实现管理决策活动。但随着市场经济和计算机技术的迅猛发展，各行各业竞争日益激烈，在企业基于数据库技术的传统决策支持系统已达不到要求的背景条件下，建立基于数据仓库的决策支持系统是必然的。数据仓库技术的有点可以提高决策支持系统的能力，实现对企业信息的高度集成化、合理和有效的管理目的。
二、决策支持系统的相关技术
（一）数据分析技术(OLAP)。数据分析技术OLAP应用与联机事务处理(OLTP)的应用不同。数据分析技术OLAP侧重于对高层管理和分析人员提供决策支持，是可以设计应对复杂的分析操作，在分析人员的分析要求操作下，采用灵活快速地进行查询处理，并且可以针对大数据量和类型复杂的数据进行查询处理。最终以直观易懂的形式提供查询结果给高层管理人员以制定决策。数据分析技术OLAP还具有多维数据分析的特点，通过对多维数据进行钻取、剖切和旋转来实现对数据库所提供的数据进行深入的多维数据分析，成功为决策者提供准确的决策支持依据。决策支持是多维结构的支柱以及数据分析技术OLAP的核心。数据分析技术的多维数据分析特点可以与数据仓库的多维数据组织相互结合、相互补充。设计中可以采用数据分析技术与数据仓库技术相结合解决传统决策支持系统中大量数据处理的问题。（二）数据挖掘技术(DM)。数据挖掘技术主要基于人工智能、统计学和机器技术等技术。数据挖掘技术是一种决策支持过程，可以自动化的分析企业的原有数据，对其进行归纳性的推理，挖掘出其中的潜在模式，辅助决策人员做出正确的决策。数据挖掘的对象可以是数据库、文件系统，以及以其他组织在一起的数据集合，例如web数据资源和数据仓库。数据挖掘首先应具有用于挖掘的数据源，在基于明确挖掘目标的前提下，结合各个专业人员参与，同时配有大量的资金是实现数据挖掘的关键。实现数据挖掘具有一定困难，难度在于数据积累的缺少、构建业务模型、缺少有经验的实施者、各类人员之间的沟通障碍和初期资金投入较大等。虽然具有以上难度，但数据挖掘技术的前景由于其技术优点还是被普遍看好的。（三）数据仓库技术(DW)。数据仓库是一个数据集合，数据集合具有集成的、随时间变化、不可更新和面向主题的特点。数据仓库可以支持企业的决策分析处理。数据仓库存放的是静态的历史数据，和传统的数据库相比，只能定时的刷新和添加。数据仓库的结构比较简单，为中高层的管理人员提供决策支持。数据仓库具有访问频率低和访问量高的特点。数据仓库与数据库相比，数据仓库访问量高于数据库的访问量，数据仓库的访问响应时间要求相比数据库并不高，不像数据库要求响应时间要在几秒钟内。可以应对不同层次的管理人员，通过采用数据仓库技术进行决策分析，可以提高管理决策的质量和效果。
三、传统决策支持系统的缺点与不足
（一）没有有效的分析工具。首先应了解企业决策的过程，该过程包括提出问题、分析问题和解决问题的循环。而在其中的分析过程实质上是对数据信息不断的抽取过程，并对大量的分散数据进行快速综合的分析，最终捕获决策的相关信息。传统的决策支持系统过于注重抽象的理论研究，不够重视的分析工具，使分析工具不够有效，所以得不到相应有效的分析结果。（二）统一性和完整性的不足。传统决策支持系统的系统结构是以模型库、数据库、方法库所组成。但模型库、数据库和方法库在决策支持系统开发过程中都是被独立设计的，这样在系统结构上就存在统一性和完整性的不足，应用效果的并不理想。（三）数据源分析缺点。传统决策支持系统是直接利用关系数据库中的数据进行数据处理，只能对原始数据进行一般的汇总加工，提供决策的信息不足以满足决策支持系统的需要。数据库中的数据源由于抽取的数据各个部门没有统一的格式标准，造成分析的不稳定性；这样在没有统一标准的前题下，没有统一格式的数据利用率就会很低，并且数据的可信度也会降低，会无法转化为对决策者有用的决策信息。传统决策支持系统是对存储的数据在固定的期限内才会进行提取分析，这时所累计的大量数据进行详细的分析必然会导致分析效率的下降，给分析人员带来大量的工作内容，但如果不能进行详细的分析，必然会导致有用的信息不能得到有效的分析利用吗，从而提供准确有效的决策信息。（四）部件使用不理想。传统决策支持系统的各部件中，可以直接使用的只有成形的商品软件数据部件，而对于其他部件就无法直接使用，虽然计算机语言可以对传统决策支持系统的接口进行设计和开发，但这必然浪费大量的时间、人力和财力。
四、数据仓库技术在决策支持系统构建中的应用
设计思路是结合数据分析技术、数据挖掘和数据仓库以及模型库，建立一个综合的决策支持系统，该决策支持系统具有更强的决策属性。实施这样的决策支持系统是一个系统工程，也是一个一次性工程，因为不同的行业、不同的企业都会由于自身特点而有很大的不同。在這里试图寻找出的共同的特点，把握其规律，为企业提供参考。现提出模型构建如下。（一）系统的总体结构。基于数据仓库技术的决策支持系统首先应具有性能优良的数据分析技术(OLAP)，这是因为数据分析处理系统是整个决策支持系统中数据的重要来源，这样才能够建立完善的数据仓库(DW)，使其包括大量的、稳定的、历史性的本地内部、本地外部以及远程数据，数据仓库对数据分析处理系统数据库中的数据进行集成、转换和综合等处理，之后将数据重新组合，构成面向全局的数据视图，为决策支持系统提供数据存储和组织的基础；目前各个数据模型已有一定成熟的技术，可以为之后的分析将以上所述数据重新组合。采用多维的数据模型同时结合和数据数据分析技术(OLAP)可以为用户实现多维的数据分析，使用户以更接直接可靠的分析数据；数据挖掘(DM)是以数据仓库技术(DW)和多维数据库中大量的数据作为分析基础，可以自动的发现这些数据中存在的潜在模式，再基于这些分析出来的潜在模式作为基础自动的做出分析预测。数据挖掘(DM)中发现的知识可以直接用于指导数据分析技术(OLAP)的分析处理，而数据分析技术(OLAP)分析得出的知识也可以立即补充到系统的知识库中形成循环。
在决策支持系统中，数据仓库是DSS的基础，完成对决策主题数据的存储和整合，数据数据分析技术(OLAP)可以分析多维数据，数据挖掘(DM )的作用是挖掘数据库以及数据仓库中的知识。其中模型库可以配以多个广义模型组合起来辅助系统决策，决策支持系统利之后再利用知识推理的方式进行定性的分析，最终做出综合的决策。可以看出集成数据仓库、数据分析和数据挖掘的综合决策支持系统，这些技术相互补充、相互依赖，不仅可以发挥各自的辅助决策优势，同时结合还实现更高效的辅助决策。简单的说，我们可以概括的总结为DSS=DW+OLAP+DM（二）数据仓库系统的建立。1.数据仓库系统的构成。一个完整的数据仓库包数据获取部分、管理部分、括仓库部分、分析工具四部分。数据获取部分包括内部数据库、外部数据库、联机数据及其他和上述数据的抽取、转换盒装载；管理部分包括数据仓库管理工具、数据建模工具、数据维护模块和仓库定义元数据库；仓库部分包括综合数据、当前数据和历史数据；分析工具则包括用户查询工具、OLAP工具、DM工具和c/s工具。2.数据仓库的建立。数据仓库的建立应围绕如何对数据来源的分析处理、如何构造数据仓库本身、如何对数据的转化与综合过程的定义、如何从数据仓库中提供获取用户所需信息。数据仓库的建立过程如下图：
(1)项目规划：软件项目实施具有一定的风险性，前期的规划是一个重要环节，可着重规划人员安排、投入、实施进度等内容。(2)系统分析：对现有系统的进行分析，了解存在的问题再哪里。(3)数据仓库建模：根据终端用户的需要，相应的在数据仓库中为存储的数据建立模型。(4)数据的获取和集成。①选择数据源：与传统应用系统的信息来源不同，数据仓库的信息来源应从公司终端用户的需求出发，在各种数据库系统中选出所需的数据源。②数据源数据的标准化：在对所选择的数据源进行深入分析后，必须针对不同应用系统中进行数据源数据的标准化处理，避免数據的命名和结构冲突以及内容含义不一致的情况。③逻辑处理：针对数据源到数据仓库过程所建数据模型必须经过转化和综合性的逻辑处理，该过程包括计算出所需转化合并的数据数量、需要综合的数据文件范围以及转化和综合性所需的时间等。④生成中间数据：中间数据不仅起到确定原始数据的作用，同时中间数据还描述了数据的转化和综合性的逻辑处理，从而定义了数据仓库所需的数据模型。(5)构建数据仓库。①数据导入：数据需分别经过抽取过程、转换过程、清洗过程，之后数据便会从联机事务处理系统、外部数据和脱机数据存储介质中被导入到数据仓库。其中的抽取过程是数据导入的关键，抽取过程分为：数据的获取，从外部数据源或内部数据源数据系统中获取决策支持系统用户所需的数据。在经过数据的过滤，可以将掉不需要的信息数据过滤掉。之后进行数据净化，净化后DSS用户所需的数据质量将有效的提高。最后进行整合和装载，将数据进行转换并将数据按规则组织数据，所得到的新数据装载到数据仓库中去。②优化Dw系统：采用优化器进行优化，得到最优的查询方案。③提供查询方案：生成所需的终端用户应用软件，为其提供查询工具等。(6)DSS应用编码：根据前面收集的数据，编写决策支持系统程序。(7)系统测试与运行：程序结果收集后，对这些数据进行测试，检验结果是否满足决策支持系统的需求， 如测试不合格，返回DSS应用编码步骤，也可返回到仓库建模步骤。(8)后期维护与升级。在基于数据仓库技术的决策支持系统构建过程中，由于不同的企业会有不同的需求和不同的问题，但总体的思路是统一的，结合企业的不同特点，不断的进行系统的后期维护与升级，为企业开发提供高效的支持决策系统。
五、结论
由于数据仓库时数据库技术的最新内容，且其中的数据具有高度的一致性和完整性，结合准确有效的方法模型，在加上强大的分析工具，致使基于数据仓库相关技术的决策支持系统，在面对实际问题时能够比照传统的支持决策系统为管理决策者提供更加准确、全面、有效的辅助信息。
参考文献：
[1]李书涛.决策支持系统原理与技术[M].北京：北京理工大学出版社,1996
[2]林宇.数据仓库原理与实现[M].人民邮电出版社,2003,1
作物灌水量决策支持系统开发 篇12
我国是世界上人均水资源最贫乏的国家之一,人均水资源占有量仅为2 300m3,约为世界人均的25%。农业用水量占全国用水总量的比例最高,约为70%,但是我国农业用水利用率却仅为 40%[1],浪费严重。水资源短缺是影响我国农业现阶段发展的一个重要因素。因此,节水灌溉是我国也是世界灌溉技术发展的总趋势[2]。
由英国科学家彭曼(Penman)提出的彭曼公式是目前FAO(Food and Agriculture Organization of the United Union)专家组唯一推荐的计算作物蒸腾蒸发量的标准计算方法,具有较高的精度和较好的通用性[3,4]。水量平衡方程是现今被广泛应用判断作物是否缺水的重要数学模型[5]。近几年,从作物的生理特性(如茎直径变化和叶水势)来判断作物需水量的研究也有很多,但目前难以建立数学模型。
本文以彭曼公式和水量平衡方程为基础,从系统功能、数据库设计和系统集成等方面着手,设计开发了实用化作物灌水量决策支持系统。
1 系统总体结构及特点
1.1 系统总体结构
系统从功能上分为决策支持、数据库管理、信息查询和系统说明4个子系统功能。系统在结构上以数据库为基本信息支撑,通过输入数据和调用数据库数据,实现计算作物蒸腾蒸发量和判断作物灌水量两大决策功能。系统总体逻辑结构如图1所示。
1.2 系统特点
该系统在Windows操作系统下以Visual Basic6.0为软件开发平台进行研发,数据库采用了Microsoft SQL + Access数据库和ADO数据库访问技术。从先进性和实用性等方面考虑,系统的设计与开发具有如下特点:
1)采用模块化程序设计思想。模块化的程序设计是按照适当的原则,将一个情况复杂、规模较大的系统按照需要实现的主要功能划分为若干个较小的和功能相对独立的部分,把实现同一种功能的类划分成一个模块,使其中每个部分实现一个独立的功能。每一功能均采用模块化的设计思想来提高系统的稳定性和运行效率。
2)采用面向对象的集成开发模式。本系统设计开发时采用了面向对象的集成开发环境和数据库,不仅使得在系统集成更为方便,集成的结果也是不需用户了解开发程序和数据库的操作,只需按系统的菜单和按钮导航就可以完成作业,而系统的菜单和按钮等也实现了有机集成。
2 系统功能
系统采用模块化程序设计思想,以菜单驱动的方式对系统进行了功能划分,其主要功能包括决策支持、数据库管理、信息查询和系统说明4个子系统功能。图2为系统主窗口。
2.1 决策支持
决策支持模块主要实现蒸腾蒸发量的计算和灌水量判定两个功能,这也是该系统的主要功能。
2.1.1 蒸腾蒸发量的计算
计算作物灌水量的关键环节是计算作物的实际蒸腾蒸发量ET。本系统采用彭曼公式作为数学模型计算参考作物的蒸腾蒸发量ET0,再用作物系数Kc乘以ET0,便得到作物的实际蒸腾蒸发量ET。操作员在“ET计算及保存”窗口中输入彭曼公式中用到的各个气象参数和作物系数等数据信息,由系统自动完成计算并保存。参数的输入必须保证齐全并且无误。作物系数可以由操作员自己确定,也可在系统中查询。此外还要输入日期,方便系统对数据进行标识和操作员阅读。系统有记忆功能,有些参数值是固定的,只需输入一次,以后由系统默认,无需再次输入,如测风速的高度、作物系数和地理信息。图3为ET计算及保存窗口。
2.1.2 灌水量判定
判断作物是否缺水和判定灌水量是该系统的最终目的。系统以水量平衡方程为理论依据来判断作物是否缺水。水量平衡方程为
Wt-W0=Wr+P0+K+M-ET (1)
式中 W0,Wt—时段初和任一时刻t时的土壤计划湿润内储水量(mm);
Wr—由于计划湿润层增加而增加的水量(mm),如果计划湿润层在时段内无变化则无此项;
P0—保存在土壤计划湿润层内的有效降雨量(mm);
K—时段t内的地下水补给量(mm),即K=k×t,k为t时段内平均每昼夜地下水补给量;
M—时段t内的灌水量(mm);
ET—时段t内的作物田间需水量(mm)。
由式(1)可以得出某时段t末的土壤计划层内含水量为
Wt=Wr+P0+M-ET+W0 (2)
为满足农作物正常生长需要,任意时段内土壤计划湿润层内的储水量必须保持在一定的适宜范围内,即通常要求不小于作物生长允许的最小储水量(Wmin)和不大于作物生长允许的最大储水量(Wmax),即
Wmin
当程序检测到Wt < Wmax时,应该对农作物进行灌溉,灌水量的范围为
Wmin-Wt
灌水量计算程序框图如图4所示,作物灌水量决策窗口如图5所示。
2.2 数据库管理
数据库主要包括基本数据库和实时数据库。基本数据库是相对稳定(即随时空变化不大)的数据,主要包括作物系数表、作物不同生育期参数表、管理员信息表和地理信息表;实时数据库是随时空变化较大的数据,主要包括气象信息表和水量信息表。
数据库管理功能主要包括数据的录入和数据更新。数据录入是对实时数据库而言,操作员通过界面输入数据,由系统完成保存;数据更新主要是对基本数据库而言,操作员可对数据表中的数据进行添加、删除和修改等操作。
2.3 信息查询
系统所需参数较多,有些参数比较固定,如作物系数、海拔、纬度和作物适宜含水率上下限等。对于此类参数,系统在研发过程中,编者查阅相关资料得到陕西省几个地区地理信息、几种作物不同时期的作物系数及适宜含水率的上下限,并存入数据库中,操作员可以自己确定也可在系统中查询。查询时,操作员可点击需要输入参数旁边的[查询]按钮查得。
2.4 系统说明
简要介绍该系统特点、适用性、总体结构以及系统主要功能,让用户对系统有一个大概的了解,可使用户更好地应用本系统。
3 系统应用
本系统研发完成后,开发人员利用陕西眉县小麦生长区域为试验点对系统进行了验证。该试验点的纬度为34.27°,海拔为518m,3月与4月份的作物系数分别为1.106,1.335,土壤类型为中壤土。输入2009年3月23日-2009年4月20日气象资料,并于2009年4月1日、2009年4月10日和2009年4月20日对小麦是否缺水进行了判断,结果如表1所示。图6为4月10日系统灌水量输出窗口。
4 结语
本文以判断作物是否缺水并计算作物灌水量为目的,根据彭曼公式和农田水量平衡方程,采用Visual basic 6.0开发了作物灌水量决策支持系统。该软件系统具有操作简单、界面友好、功能强大以及运行速度快捷等特点。另外,该软件系统是绿色软件,磁盘占用空间较小,利于推广应用。系统为农业灌溉用水的分析计算提供了便捷的分析软件,实现了数据的自动化分析,为提高作物灌溉的智能化水平提供了一套有效的决策支持工具。
参考文献
[1]李国臣,马成林.温室设施的国内外节水现状与节水技术分析[J].农机化研究,2002(4):8-11.
[2]吴普特,赵西宁,冯浩,等.农业经济用水量与我国农业战略节水潜力[J].中国农业科技导报,2007(6):13-17.
[3]单于洋,张新民,陈丽娟.彭曼公式在参考作物需水量中的应用[J].安徽农业科学,2008(10):4196-4197.
[4]茆智,李远华,李会昌.逐日作物需水量预测数学模型研究[J].武汉水利电力大学学报,1995(3):253-259.
[5]孙景生.浅析用水量平衡方程制定作物节水灌溉制度问题[J].水利科技与经济,1999(1):29-31.
[6]彭世彰,朱成立.节水灌溉的作物需水量试验研究[J].灌溉排水学报,2003(2):21-25.
[7]R G Allen.Using the FAO-56 dual crop coefficient methodover an evapotranspiration intercomparison study[J].Journalof Hydrology,2000,229:27-41.
[8]马耀光,张保军,罗志成.旱地农业节水技术[M].北京:化学工业出版社,2004.
[9]李远华,罗金耀.节水灌溉理论与技术[M].武汉:武汉大学出版社,2003.
[10]刘战东,段爱旺,肖俊夫,等.旱作物生育期有效降水量计算模式研究进展[J].灌溉排水学报,2007(3):27-30.
[11]夏继红,严忠民.农田灌溉决策支持系统的设计与实现[J].中国农村水利水电,2001(8):10-13.