临床决策支持范文(精选9篇)
临床决策支持 第1篇
1 决策支持系统的基本概念
决策支持系统以管理学、运筹学、控制论和行为科学为基础,以计算机技术为手段,综合利用现有的数据、信息和模型,辅助决策者提高解决半结构化或非结构化决策问题有效性的人机交互系统[1]。临床决策支持系统顾名思义,也就是决策支持系统在医院中的应用。它的核心就是通过人工智能技术应用,将医院信息处理与临床实践信息集成,根据医学专家提供的知识和经验进行推理和判断,模拟这些专家的决策过程以解决各类复杂的临床问题[2]。
2 国内外现状与存在的问题
决策支持系统的概念于20世纪70年代由美国学者首先提出,80年代开始蓬勃发展。80年代末,美国波士顿马萨诸塞州综合医院首次应用了基于知识库的临床诊断,从而开始了决策支持系统应用于临床医疗的历史。
我国的医院信息化经过近30年的发展建设,大部分的大中型医院已经建设了医院信息系统(HIS)、实验室管理系统(LIS)、影像管理系统(PACS)等常用的信息系统。每个系统对医嘱、病历、检验、检查影像等各有侧重,临床医生需要综合各系统的信息进行分析,一旦漏掉重要数据便有可能得出不同的诊治方案,造成医疗差错。因此,国内目前已有不少医院开始实施临床决策支持系统,但多处于探索阶段,尚没有形成统一、规范的标准。
目前存在的问题:多数的临床决策支持系统只是基于知识库的临床指南,缺少对临床诊治的辅助决策功能,真正具有基于不同患者的个性化分析及辅助决策功能的临床决策分析系统还未实现。根据国家版ICD10编码的疾病就有几万种,常见的疾病也有几千种,因而由此衍生的各种临床症状、检验检查结果等信息更是不可胜数,临床医师无法保证每一次都能通过不同的数据信息得出正确的结论。此外,国家医疗保障覆盖范围日益扩大,医保支付种类及支付总额的限制也成为临床医生诊治的约束条件。
3 系统建设目标
临床决策支持系统的建设是把零散分布于各个系统的数据进行整合,并按照不同专业关注点进行区分,实现数据的抽取、加工和转换[3]。我院临床决策支持系统综合临床医生多年经验,由具有多年医技工作经验的检验、检查技师的鼎力协助,利用数据仓库技术,通过人工智能技术进行人机交互。系统采集临床患者既往史、诊断、用药、生物学资料等数据生成变量,用数据挖掘决策树算法进行综合分析,为临床医生提供个性化的诊治方案。
4 系统实现的关键技术
4.1 数据仓库
4.1.1 概念
数据仓库(Data Warehouse,DW)是由数据仓库之父W.H.Inmon定义,是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合,用于支持经营管理中的决策制定的过程[4]。
4.1.2 DW的功能
医院数据仓库的主要功能应具有多层次、多角度的数据挖掘、分析和辅助决策能力,以提高临床及科研能力。数据是决策支持系统的基础,因此DW是支撑决策支持系统最基础的工具。它可以把医院各信息系统的数据提取出来,即把分散的、难于访问的数据,转化为集中统一、随时可用的信息。
4.1.3 DW的结构和设计
总体层次由基本功能层、管理层和环境支持层3部分组成[5]。设计过程是一个循环往复的过程,通常涉及数据的选择、变换、建模、评估、解释模型、运用和巩固模型等步骤(图1)。以住院患者费用为例,设计住院患者费用事实表和相关的维度:事实表收集与患者费用相关的各种信息,包含多个度量值条件,用于求和、百分比、平均值等基本函数;建立的维度分别是患者的基本信息、疾病名称、收治医生、入院科室、入/出院时间、费用类别等,这些数据均可从HIS数据库中抽取。每个维度可设多个级别,每个级别可设多个属性,如科室维度设有两个级别,即门诊科室和病房科室。每个级别可设多个属性,如科室级别分别有科室名称、内外科标志属性等。
4.1.4 DW的建立
医院的信息系统和数据源较为丰富,经调研分析可以分为以下几类:
(1)基础数据字典。方便数据的统计分析,是数据的规范化说明和数据仓库的数据源。
(2)诊疗数据。包含病人基本信息、就诊、检查、检验、诊断、病程、医嘱等与医疗行为相关的数据。
(3)物品流向数据。主要包括药品流向、办公用品、医疗设备及固定资产等相关数据。
(4)财务数据。指医院日常运营中的收入与支出数据。
(5)质控与管理数据。主要是由前3类数据产生过程的信息及其行为的评估判断信息为基础。
4.2 数据挖掘
4.2.1 概念
数据挖掘(Data Mining,DM)是指从大量的、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、人们事先不知道、但又是潜在有用的信息和知识的过程[6]。DM起源于20世纪80年代,在决策支持中扮演着重要的角色。DM主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等,可自动化的分析已有的数据,做出归纳性的推理,从中挖掘出潜在的信息,帮助决策者作出正确决策[7]。
4.2.2 DM常用的算法
DM常用的算法有关联规则、决策树、粗糙集、统计分析、神经网络、支持向量机、模糊聚类、基于范例的推理、贝叶斯预测、可视化技术[8]。用于辅助临床疾病诊断的数据挖掘算法主要有人工神经网络和决策树。本系统使用的方法就是决策树,该算法能对现有医学数据库进行综合分析,生成个体化临床医学诊治的参考方案,实现临床决策支持。
4.2.3 DM的应用
以糖尿病为例建立决策树,从而判断出患者所患糖尿病的类型。起点是血糖高,第一个分支判断条件是否妊娠期,答案“是”,决策树就直接归于妊娠期糖尿病;答案为“否”,则属于其他类型糖尿病,然后再根据年龄、是否有自发性酮症、病情的起因快慢和轻重等条件判断该患者是I型糖尿病还是Ⅱ型糖尿病。
4.3 系统结构设计
4.3.1 设计思路
遵循“在正确的时间、对于正确的人、提供正确的信息”的设计理念,利用数据挖掘技术对积累的海量医疗信息进行挖掘和分析,为临床医生提供科学智能的诊疗方案、治疗安全警示、药物过敏警示、重复检验检查提示等一系列人机互动的应用。同时还会参考数据仓库中的医疗支付保障相关政策信息来调整诊治方案,从而使费用结构更加合理,减少医疗浪费。
4.3.2 总体架构
系统总体架构分为3层:支撑层、分析层和应用层(图2)。
(1)支撑层。由临床数据和临床知识库构成。其中临床数据主要包括患者的基本信息、主诉、临床辅助检查信息、临床诊断等;临床知识库主要包括临床治疗指南、临床相关业务术语、相关政策等,为系统提供数据来源和业务规则支撑。
(2)分析层。利用数据挖掘技术,对临床数据仓库中的数据进行分析。根据临床知识库设定的业务规则,触发临床干预,实现临床决策支持系统的应用。
(3)应用层。可以智能提供诊疗方案、治疗安全警示、药物过敏警示、重复检验检查提示等一系列的相关应用。
5 系统主要功能
5.1 智能提供诊疗方案
系统可以根据患者的疾病临床表现、临床检验检查结果、生理、心理状况等特征,同时参考该患者所属的医疗保障的相关政策,通过数据挖掘技术为其制定个性化诊疗方案。以高血压患者为例,系统会在大量的高血压患者病例治疗的临床资料基础上,利用数据挖掘技术,将患者根据不同生理、心理等特征划分为不同的人群,再分析适合不同人群的最佳治疗方案,辅助临床医生进行治疗方案的制定。
5.2 治疗安全警示
治疗安全的审查信息包括:患者药物禁忌审查、检验检查相关的禁忌审查、药物之间配伍禁忌的审查、治疗相关的禁忌审查等。
5.3 药物过敏警示
利用原有的过敏类药品知识库体系和患者的现状(是否存在家族过敏史、是否特殊人群等)提供药物过敏警示功能。
以心血管疾病为例,常用的药物包括倍他乐克、利多卡因、硝酸酯类药物。而他汀类药物禁用于孕妇、哺乳期妇女;利多卡因禁用于局部麻醉药物过敏者;硝酸酯类药物禁用于青光眼患者、有机硝化物过敏等患者。当医生对该类患者制定医疗方案时,系统将自动对该类药物进行过敏提示。
5.4 重复检验检查提示
当医生对患者开出检验检查医嘱时,系统会自动与上一次做该项检查的时间进行对比,如发现间隔的时间小于系统设定的周期,系统将会予以提示,从而避免进一步损害患者的身体免疫力。
6 结束语
我院临床决策支持系统采用了目前比较先进的数据仓库和数据挖掘技术,实践表明,该系统可以从积累的海量临床信息中提取出有价值的信息,帮助临床医生迅速、准确的为患者做出治疗方案,降低医疗风险,减少医疗浪费,充分体现了“以病人为中心,以医疗质量为核心”的理念,从而提高医院的整体医学水平和医院的核心竞争力。
根据临床使用的实际情况,我们会持续改进和完善临床决策支持系统的功能,为医院信息化建设奠定坚实的基础。
参考文献
[1]陈贤博.基于Web挖掘技术的网络营销决策支持系统研究[D].合肥:安徽工业大学,2004.
[2]苗芳芳,刘骏峰.论人工智能的发展及其在医学领域的应用前景[J].卫生软件科学,2006,23(2):222-224.
[3]马云,夏新,刘博,等.基于临床决策支持系统与知识库的临床数据中心的研究与应用[J].中国医疗设备,2014,29(7):61-63.
[4]Inmon WH.Building the Data Warehouse[M].John Wiley&Sons,Inc,1993.
[5]陈京民.数据仓库与数据挖掘技术[M].北京:电子工业出版社,2002:95-96.
[6]吴文俊,周彬,沈黎,等.医院信息系统Sybase数据库的维护管理[J].中国医疗设备,2015,30(8):81-83.
[7]陈金雄.构建基于数据仓库的医院决策支持系统[J].医疗卫生装备,2012,33(1):77-78,81.
决策支持系统论文 第2篇
【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
决策支持与院校研究 第3篇
高校管理过程中的决策必须科学化, 决策支持也必须专业化, 因此产生了对院校研究的需要。院校研究人员可以为高校领导者提供科学的、专业的咨询服务, 帮助他们进行科学决策。与此同时, 高校领导者在工作中所积累的丰富的管理经验也是必不可少的。管理不可能是百分之百科学的, 以科学为基础的经验管理才是最有效的管理。管理既是科学, 也是艺术。
一、院校研究与决策制定过程
决策的制定需要靠信息来支持, 科学的决策制定过程的每一个环节都离不开信息。院校研究的基本职能是对学校及相关环境信息的搜集与描述, 并科学地分析、处理这些数据。院校研究人员可以在数据分析的基础上为高校领导者提供有价值的决策信息, 提供专业的决策咨询, 避免领导者凭感觉和经验盲目决策。信息的作用不仅仅是直接产生决策结果, 信息还具有发现问题、提供决策环境、引导决策产生、推广决策并争取支持等作用。
Stephen P.Robbins认为决策制定过程包括8个基本步骤, 它们分别是:识别决策问题, 确认决策标准, 为决策标准分配权重, 开发备选方案, 分析备选方案, 选择备选方案, 实施备选方案和评估决策结果。这8个步骤可以归纳为以下4个环节, 院校研究人员在各个环节中都可以很好地发挥信息支持作用来保证决策的科学性。每个决策环节的实施质量都会影响到最终决策的质量。
(一) 识别决策问题。
在高校管理过程中, 决策需要通常是由于管理问题的存在而产生的。对于一个相同的情况, 某个管理者认为它是个问题, 而其他管理者则有可能认为这根本不是个问题, 问题的识别带有主观性。因此, 院校研究人员可以在高校领导者丰富的管理经验的基础上, 通过提供信息支持来协助他们科学地识别决策问题。识别问题的本质就是发现差异或异常情况, 比如说预期工作目标与实际工作结果之间的差异。院校研究人员可以通过系统收集、分析本校内部和外部的日常运行信息来建立一个“学校运行状况监控体系”, 这个监控体系中的各项关键指标可以像“指示灯”一样在高校运行过程中存在异常时提醒领导者。
(二) 确定决策标准及为决策标准分配权重。
决策标准及其权重是指那些与决策有关的影响因素以及它们在决策制定过程中的重要程度。
例如一个高校要筹建分校区, 决策者在做出决策之前会面临许多问题, 如分校区的地理位置, 分校区与主校区之间的距离, 是购置地产建新校还是购买现成校舍等, 这些都是决策标准。在明确了这些关键因素之后就需要院校研究人员用战略的眼光来系统地研究每个因素, 并且根据本校的实际情况来确定在考虑这些因素时的先后次序。院校研究人员在选择地理位置时应考察其周边环境和公共设施是否适宜, 以及从长远来考虑此地的发展前景。若欲购买现成校舍, 则应该仔细了解该校舍及其所处环境的相关情况。这些前期准备工作都应该由信息专业人员来完成, 决策者是不可能花大量精力来亲自完成这些信息采集和分析工作的。
(三) 开发、分析和选择备选方案。
在系统地分析了决策的影响因素之后, 院校研究人员可以有依据地制定可供选择的决策方案, 并对各个备选方案进行认真的研究, 将备选方案可能产生的结果与决策标准进行比较, 看其是否能达到预期的目的。通过这些分析和比较便可清楚地了解各个备选方案的优点和缺点, 便于领导者凭借自己丰富的管理经验来从中做出选择。
(四) 实施备选方案和评估决策结果。
在备选方案被采纳并实施之后, 院校研究人员可以通过提供有关信息来取得相关人员的支持, 促进决策的执行, 同时也可以保持组织及其领导者的威信。院校研究人员也应密切关注决策的执行情况, 观察决策执行结果在多大程度上实现了预期目标并作记录, 将信息反馈给决策者, 评估决策结果的质量。
值得注意的是, 在这个决策制定过程中, 决策者最关键的作用在于凭借自己丰富的管理经验从备选方案中做出选择, 其它辅助性的工作基本上是由院校研究人员来完成的。在团体决策过程中, 其核心活动是信息的交流, 而信息的价值在于为从备选方案中做出选择提供依据。这样一来, 高校领导者的经验便和院校研究人员的科学工作成果结合起来了, 增强了决策的科学性和有效性。
通过以上分析我们可以看出, 院校研究人员在决策制定过程中可以发挥很好的信息支持作用, 然而在我国高校中要较好地实现这一作用是存在着多重困难的。首先, 我国信息数据的共享和公开程度较低, 许多重要信息都是不对外公开的, 只掌握在少数人手中, 因此院校研究人员很难获得完整的学校日常运行状况及相关环境的信息。其次, 这一作用的实现也对院校研究人员的信息处理能力提出了很高的要求。例如, “学校运行状况监控体系”的建立需要的是能够明确地显示出差异的信息, 这些信息必定是院校研究人员在分析了大量信息之后提炼、总结出来的关键信息或指标, 而且必须以一种简单明了的方式呈现出来。因此, 科学决策的产生既需要相关部门的支持配合, 也需要高水平的信息专业人员。
二、院校研究人员的专业素质
院校研究的职能决定了院校研究人员至少应具备以下这些专业素质和能力:
第一, 专业能力。院校研究人员必须具备一定的学科基础和背景 (如社会学、管理学、经济学等) , 还应掌握科学的研究方法。高校的运行环境是错综复杂的, 高校管理是一个十分复杂的活动, 管理者仅掌握教育学知识是远远不够的。例如, 我们可以借鉴企业组织与政府组织的管理方法来管理大学, 用组织理论来分析大学组织特征, 用行为理论来分析高校各类人员的行为特征, 用人力资源管理理论来分析高校人员聘任与使用政策等。
第二, 说服他人的能力。院校研究人员的主要任务是搜集和分析信息, 目的是要使他们的工作成果得到高校领导者的接受和使用, 因此必须具备说服他人来接受自己的建议的能力, 这样才能实现自己的价值。院校研究人员应该性格开朗, 容易接触, 并且具有出色的语言表达能力和交际能力。
第三, 背景能力。院校研究人员应该清楚地了解整个高等教育面临的问题和挑战, 更重要的是要意识到这些问题和挑战在本校的表现形式, 需熟悉本校的发展情况和组织文化, 便于及时发现和分析问题, 并切实解决本校的问题。
第四, 在信息素养方面, 院校研究人员需对各种信息数据保持高度敏感, 时刻都应有意识地积累信息。院校研究的数据具有动态性的特点, 院校研究人员要随实际情况的变化及时对信息进行筛选和更新。因此他们还必须能够熟练掌握和运用先进的信息技术。
三、院校研究人员在决策支持活动中应注意的问题
信息专业人员持有的是理性的、科学的态度, 而决策者所持有的是务实的、政治的态度, 因此这个信息运用过程是一个跨文化交流过程, 其中难免会存在障碍。院校研究人员要想发挥有效的决策支持作用, 仅具备专业技术水平是不够的, 还应在工作中正视这些障碍, 注意一些细节问题和技巧。
(一) 所提交信息的使用者是谁。
院校研究人员在向决策者提交报告之前应该仔细“研究”决策者, 只有了解了决策者才能有针对性地向他们提供决策支持信息。由于院校研究人员是组织内部人员, 有许多与校领导接触的机会, 因此具备了解决策者的便利条件。
院校研究人员应了解决策者的学术背景。因为大多数高校领导都曾经有过长期的学术工作经验, 有着不同的学科背景, 受过不同学科的专业训练。学术背景对领导者的认知风格有着很大的影响, 具有不同学术背景的人对信息的偏好也是不同的。有的人喜欢数字或图表型信息, 有的人可能喜欢描述性的文字信息。另外还应注意信息的传递媒介, 有的人喜欢手写或打印的书面报告, 有的人喜欢电子版报告, 有的人也可能喜欢口述报告。
院校研究人员在向领导提交信息时应该投其所好, 避免提交决策者没有能力或不擅长使用的信息, 适合领导者口味的信息更容易被采纳。而且当高校的领导者发生变更的时候, 院校研究人员在提供决策支持时也必须做出相应的变化。
(二) 所提交信息的用途是什么。
院校研究人员在提交信息之前必须知道决策者将要如何使用他们提交的信息。
首先, 院校研究人员应该了解决策活动的层次。决策活动可以分为三个层次, 即战略层次的、管理层次的和执行层次的。不同层次的决策活动对信息的需求有着明显的不同, 因此提前了解决策活动的层次可以促进信息被有效利用。
其次, 院校研究人员必须明确所提交的信息将被用于决策活动的哪个阶段。信息专业人员提交信息时可能决策已经制定出来了, 信息失去了价值;也可能提交的信息决策者暂时还用不到, 被搁置到了一边, 最后被遗忘。过早或过晚提交信息都不利于信息的有效利用, 因此院校研究人员在提交信息时必须搞清决策活动进行到了哪个阶段, 把握好提交信息的时机。
另外, 院校研究人员还应知道提交上去的信息是否会被决策者进一步处理。例如, 有的领导者喜欢“半成品”性质的启发性信息, 他们在取得这些信息后会根据自己的需要对信息做相应的分析和处理。在这种情况下, 院校研究人员应告知决策者应当如何正确地使用和理解这些信息。
(三) 提交信息的最佳形式和媒介是什么。
提交信息的形式和媒介的选择会对信息运用的结果产生重大的影响。信息的形式包括数字、图表或描述性文字信息等, 传递媒介包括手写、打印、口述或电子版。在选择提交信息的形式和媒介时首先应考虑到信息的可信性和表面效度, 也就是说, 信息本身正确有效是不够的, 还必须使信息接收者对其第一感觉就是这些信息是有价值的。院校研究人员在提交信息之前应对信息做细致的处理, 使信息尽量简单明了, 不要过于复杂, 使决策者难以作出判断。另外还应考虑所提交的信息是否便于决策者使用, 要了解决策者的信息处理能力, 如是否擅长使用数据分析软件等。
(四) 提交信息之后可能需要做的工作。
信息支持活动既是信息专业人员的行为, 也是一个供需双方交流的过程。院校研究人员在提交信息时应预计到决策者接收或使用信息时的反应。领导者在信息的使用过程中可能会遇到问题, 想了解更详细深入的情况, 也可能会对报告的内容持质疑或反对的态度, 院校研究人员需要对这些问题做出适当的回应。如果决策者需要对信息进行进一步处理, 院校研究人员就应该提供一定的技术支持。另外他们还需在决策执行过程中提供信息支持来保证制定的决策得到顺利执行。
(五) 职业道德。
院校研究人员既要对本校的发展负责, 也必须严格遵守职业道德。院校研究人员在信息的搜集、分析和提交过程中都应该保持价值中立的立场, 做到独立、客观、无偏见。另外, 由于院校研究人员是高校内部人员, 可能掌握了一些学校的机密信息, 因此他们必须对这些信息进行保密和保护。美国院校研究会早在1992年就制定了《美国院校研究会职业道德条例》, 对工作能力、实践、保密、与大学社区的关系以及对行业的责任这五部分内容做了详细的规定。
四、结语
中国已经进入高等教育大众化发展阶段, 需要对高等学校进行科学管理, 然而我国现阶段的高校管理仍然处在经验管理阶段, 管理问题层出不穷, 工作效率低下。我国应继续加强对院校研究的推广, 培养高质量的院校研究专业人员。中国与世界的联系越来越密切, 高等学校的管理也应具备国际视野, 我们在学习外国高校管理先进经验的过程中还必须做到守正求变, 考虑中国情景, 合理借鉴国际方法来解决中国的问题。
参考文献
[1]赵炬明.管理咨询与院校研究[J].高等工程教育研究, 2007, (2) .
[2]刘献君.院校研究论略[J].高等工程教育研究, 2006, (5) .
智能审计决策支持系统 第4篇
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。
临床决策支持 第5篇
关键词:市场营销,网络时代,营销决策
1 引言
在我国改革开放三十多年的发展历程中, 我国市场经济体制逐步完善, 经济水平大幅提升。在告别了物资短缺时代的同时又迎来了生产过剩的客观局面。企业之间竞争充分, 同时企业生产水平长期处于同一状态。在较短时间内不能实现质的飞跃的前提下, 企业的市场营销能力就成为他们占领市场, 获得发展先机的重要水平和能力。中国市场与以往的市场经济初期阶段已经存在很大不同, 同时中国市场也已经由稚嫩变得更加成熟, 买方市场的形成使得中国老百姓面对的是异常丰富、琳琅满目的商品门类。在生活日益丰富的前提下, 人们已经不能再满足于基本的生活需求, 个性化和人情味的产品和服务已经成为影响人们消费行为的一个重要基础和前提条件。在这种需求发生变化的前提下, 产品的市场营销成为影响它们实现自我价值的一项重要基础。为此, 企业也应当更加积极主动的改变以往的市场营销战略, 结合当前发展迅猛的话联网技术和计算机技术使他们能够在企业的市场营销中提供更加科学和高效的决策支持。
2 企业管理信息系统的现状
计算机技术与企业管理的结合是企业管理发展历程中的重要一步, 二者的结合最早在20世纪50年代, 当时由于企业经济发展规模到了一定程度, 人员和事项越来越复杂, 企业管理人员每天要面对简单的、重复的管理事项, 这不但耗费了他们大量的工作时间, 同时企业管理工作中的人为失误也变得越来越多。因此, 而计算机技术中的电子数据处理系统的应用将一些简单的工作交由计算机技术来处理, 大大解放了人力的同时也增加了管理工作和数据处理的精确性。因而短时间内便在企业管理中迅速普及, 并形成了逐渐完善的企业管理信息系统 (MIS) 。企业管理信息系统经过长期的发展和完善主要形成以下几种特点和现状。
(1) 该系统设计大量的数据。这些数据往往是企业管理中形成的大量的琐碎数据, 更为重要的是这些数据是对企业经营管理现状的最直接和最客观的现状分析。因此收集和整理这些数据对提升企业管理效率来说十分重要。但是这些数据又散落企业内部各业务部门, 而且每个业务部门都存在不同的信息和数据收集与处理方式, 分析方法也有所不同, 统计口径、报表输出形式等都有特殊要求, 为此。因此, 企业管理信息系统应当加大对这些数据信息的处理。
(2) 企业管理信息系统具有明显的时变性。管理制度和经济形势的变革与变化使得信息处理方式也要做出相应的调整。因此企业管理信息系统就具备了一定的时变性。这种时变性主要体现信息技术的发展变化和企业管理具体实际变化上。当前信息技术的发展变化日新月异, 每一种新技术都能大大提升对信息和数据的处理和管理效率。因此企业管理信息系统需要及时了解和更新当前的最新信息技术, 将其吸收到企业管理当中来, 为企业管理技术和水平的提升打造更加雄厚的技术基础。
(3) 新、旧系统的继承与发展。有的企业原来有MIS, 但是旧的系统不能满足各业务部门自身的业务需求, 而且早期的系统多采用单机环境, 所采用的应用平台及数据库系统也各不相同。怎样将这些现有的、零散的、独立的信息继承起来, 有效地利用, 也是企业在信息化建设进程中所需考虑的。
3 营销决策技术面临新挑战
正如上文分析, 企业市场营销能力将是决定企业市场生存能力的重要基础, 同时对他们的发展也起着十分重要的作用与地位。而企业若要有效的提升营销能力势必要提升营销决策技术所面临的新挑战。
(1) 营销决策技术应当具备选择权。消费者在市场经济逐步完善的前提下, 其消费需求和消费心理也发生一定的变化。其中最明显的一个现象就是在以往的消费行为中, 他们大都是被动接受, 即厂家制造什么, 消费者就只能购买什么, 他们在市场中是处于被动地位的, 没有充分的选择权。但是随着经济的发展, 企业数量的增多, 社会生产能力的逐步提升以及产品的日益丰富。消费者在市场上面领着更多的商品, 因此他们不再被容的接受, 而且拥有了更加充分的选择权。因此, 企业的营销决策技术也应当面临更加充分的选择权。
(2) 决策支持技术应当与企业营销实际相符合。在社会发展中出现了互动式数字媒体, 这为消费者向生产者传达个性化消费需求提供了现实可能性, 同时在这样的基础上还要不断加大他们定制服务需求的不断满足。为此企业营销技术就应当有针对性的消费者的个性需求开展卓有成效的调查研究。
(3) 提升企业品牌忠诚度。在这个互联网时代, 企业每犯一次微小的错误都有可能对他们的生存和发展造成重大影响。而且在这样的基础上还要不断加大他们对错误的认识程度。因为互联网的扩散效应是异常强大的。与此同时, 对于这些错误的更正能力也是非常有利于挽回损失的, 点击鼠标就可以立即更正。而且这种较易更正的行为也对消费者变更自己的行为和意愿提供了技术支持。而这种现象却对决策支持系统造成了一些不利影响。
参考文献
[1]刘耀.基于Web和数据仓库的企业决策支持系统研究[J].中国管理科学, 2011, (04) .
[2]刘耀.企业管理决策支持系统的开发和研究[J].计算机与现代化, 2010, (06) .
企业决策支持系统的研究 第6篇
随着国家经济体制的改革, 特别是市场化的迅速推进, 大部分企业已实现了生产、经营、销售、管理的信息化, 企业的经营理念发生了根本转变。创新将关系到企业的生存与发展。企业在完成信息化建设后, 建立了统一的应用平台, 已具备经营模式由以“生产”为中心向以“客户”为中心转变的条件。企业更加重视和依靠现代信息技术、网络环境提供便捷周到的服务。
在竞争越来越激烈的情况下, 准确分析市场, 实现正确决策尤为必要。为把握市场动态、研发新产品、合理部署销售渠道, 企业加快了对数据仓库的建设以及决策支持系统的建设, 以便进行高效的经营管理和分析。从2005年起, 国企和私企相继开始了从客户关系管理、商业智能, 到数据仓库、数据挖掘等应用软件、平台软件系统方面的建设, 通过利用现有业务数据, 建设数据仓库, 运用联机分析处理技术 (On Line Analytical Processing, 简称OLAP) , 管理人员可以进行数据的多维分析和动态查询, 预测以后业务发展动态, 从而及时调整经营策略, 实现正确决策。
1 基本概念
数据库经过数十年的发展, 已保存了大量的数据。随着技术的进步, 人们希望计算机系统除了能进行传统的事务处理外, 还能够辅助决策, 进行一些分析工作。而在事务处理的数据环境下让计算机进行分析型的操作是很难做到的。因此数据仓库就 (Data Warehouse, 简称DW) 应运而生。1992年, 数据仓库之父W.H.Inmon在他的“Building The Data Warehouse”一书中首次提出数据仓库的概念[1]。“数据仓库是面向主题 (Subject Oriented) 的、集成 (Integrate) 的、稳定 (Non-Volatile) 的、并且随时间而变 (Time Variant) 的数据集合, 用以支持经营管理中的决策制定过程”。
与传统的事务型数据库相比, 数据仓库是数据库数据进行再加工, 形成一个综合、面向分析的环境。数据仓库综合了多种信息技术的运算环境, 将存放在业务数据库中的数据, 经过提出、转换、清洗等一系列精加工处理后, 按主题存放在数据仓库中, 用于反映企业局部情况的数据, 就被转换成为反映企业整体情况的信息。决策支持系统DSS (Decision Support System) 由2个层次组成:数据仓库、OLAP。
1.1 传统DSS的分析
决策支持系统是综合利用大量数据, 有机组合众多模型 (数据模型、数据处理模型及图形模型等) , 通过人机交互, 辅助各级决策者实现科学决策的系统。
决策支持系统 (DSS) 是在管理信息系统 (MIS) 的基础上发展起来的。在数据仓库、OLAP技术出现以前, 传统DSS由数据库、模型库、知识库以及人机交互接口四大部件组成, 即三库 (数据库、模型库、知识库) 一体的DSS。但是随着需求的增加, 既要求联机服务, 又涉及大量用于决策的数据, 使得传统的数据库技术因自身缺陷已经无法适应新需求。
DSS在实际应用开发过程中暴露出许多问题, 主要有以下2个方面:
(1) DSS使用的数据库只能对原始数据进行一般的加工和汇总, 数据缺乏组织性、数据的利用率低、数据存储不完整等, 难以满足DSS的需要。
(2) 由于决策本身的动态性和复杂性, 针对不同的情况应有不同的处理方法, 而模型库提供的分析能力有限, 它所提供的模型独立于环境之外, 决策者和模型交互很少, 模型参数固定不变, 不符合决策要求。
1.2 基于数据仓库和OLAP的新型决策支持系统
数据仓库及OLAP技术的出现为DSS开辟了新途径。数据仓库侧重于存储面向管理决策主题的数据;而OLAP则侧重于数据仓库的数据分析, 并将其转换为辅助决策信息。OLAP的一个主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辅相成的关系。由模型库、数据仓库、OLAP技术及交互接口集成在一起形成的DSS是更高一级的决策支持系统。
1.3 OLAP与商业智能、数据挖掘的关系
商业智能 (Business Intelligence, 简称BI) 是将现有的数据转化为知识, 帮助企业做出正确的经营决策的工具。它是数据仓库、OLAP和数据挖掘等技术的综合运用。
数据挖掘 (Data Mining) 是一个利用各种分析方法和分析工具在大规模海量数据中建立模型和发现数据间关系的过程, 这些模型和关系可以用来做出决策和预测。
现阶段在企业数据仓库上实现商业智能的困难在于难于构建业务模型、各类人员之间的沟通存在障碍、缺少有经验的实施者, 因此目前以建立基于OLAP的决策支持系统为宜, 条件成熟后再建立更进一步的智能系统。
2 OLAP的关键技术
随着数据仓库技术的发展, 相关的分析工具也随之发展。其中OLAP是基于数据仓库的重要分析工具。
2.1 OLAP的规则
1993年关系模型的创始人E.F.Codd首次提出OLAP的概念, 并提出关于OLAP的12条规则[2]:多维概念视图、透明性、存取能力、稳定的报表性能、客户/服务器结构、维的等同性、动态的稀疏矩阵处理、多用户支持能力、OLAP、非受限的跨维操作、直观的数据操纵、灵活的报表生成、不受限维与聚集层次。
大多数专家认为不用完全遵守以上准则, 但最起码要支持多维性、可细剖性、可旋转性和多维视图等特性。OLAP的目标是满足决策支持或在多维环境下特定的查询和报表需求, 其核心是多维数据模型。
2.2 Data Cube的构建
针对不同OLAP数据存储方式, 具有不同Data Cube的构建策略。OLAP是以数据仓库或数据库为基础, 其根本的数据来源于OLTP数据库系统。从数据组织和实现方式来看, 主要有多维MOLAP (Multidimensional OLAP) 、关系ROLAP (Relational OLAP) 。
MOLAP是指OLAP数据存储在多维数据库上, 从概念上讲是将数据存储在多维数组的单元中。ROLAP是指OLAP数据存储在传统的SQL数据库, 即关系数据库中。ROLAP将多维结构进行了分解, 用维表来记录多维数据库中的维度;用事实表记录多维数据立方体中各个维度交叉点的度量值[3]。
(1) 基于ROLAP的Data Cube计算及优化
目前ROLAP的研究内容主要集中于物化视图选择与实现、ROLAP高效率聚集算法、索引技术研究以及查询处理与优化技术等方面[4]。
由于分析决策系统关心的是发展趋势, 而不是独立的单个或者若干个少量的记录, 因此查询处理通常会涉及大量的历史数据, 而且要求有快速的响应速度。因此需要事先针对大量的详细数据从不同维度以及不同层次进行快速的聚集、投影等预处理, 建立许多“物化视图”, 它与数据库的“视图”概念不同之处在于:它不是虚拟的, 而是经过计算, 含有大量数据, 并存储在数据仓库的一张实实在在的表中[5]。Gray等人针对上述的要求提出了Cube操作, 他们认为Cube操作是SQL语句中“SELECT-GROUP BY-HAVING”语句的扩展。从技术上来说, Cube操作就是对关系数据的冗余多维投影, 对所有的可能结果映射到N维空间中。
(2) 基于MOLAP的Data Cube计算及优化
MOLAP技术采用多维数据组织存储数据, 可以方便高效的支持多维分析。前几年的研究主要采用在三个方面:多维数组的存储、多维稀疏矩阵的压缩和高效率的Data cub e计算方法。由于MOLAP利用多维数组来组织、存储数据, 主要的物理存储采用超立方体和多立方体的策略。
2.3 OLAP中Cube计算及优化
OLAP分析是基于多维数据上的即席查询分析。通常多维数据可以表示为R (d1, d2, d3, …, di;m1, m2, …, mi) , 其中di是维, 表示分析角度, mi是度量, 表示分析目标。此类分析所涉及的数据具有明显的统计汇总特征, 需要按属性维进行聚集操作。绝大多数OLAP产品在进行数据分析之前, 都要进行Cube计算, 生成物化视图[6]。
(1) 聚集操作 (Group by) :设R (d1, d2, ···, dm;M) 是一个多维数据集合。R上的聚集操作为一个三重组Group by (R, α, F) , 其中α={d1, d2, ···, dk}{d1, d2, ···, dm}为聚集属性, 1<i<k<m, F是定义在M的幂集合上的聚集函数。
(2) Cube操作 (Cube by) :设R (d1, d2, ···, dm;M) 是一个多维数据集合。R上的Cube操作定义为一个三重组, 其中β (d1, d2, ···, dm) 为Cube操作的属性集合, F是定义在M幂集合上的聚集函数。Cube by (R, β, F) 的计算结果是2k个多维数据集合{Rα (α;F (M) ) |αβ, Rα (α;F (M) ) =Group by (R, α, F) }, 其中k为属性维个数。αβ, Rα (α;F (M) ) 称为cuboid。
(3) 数据立方体的节点:对于一个n维的数据立方体, 它是由2n个group by字句和聚集函数产生结果的集合。其中, 一个group by字句和聚集函数产生的聚集称为数据立方体的一个节点 (cuboid) 。在所有维上的聚集称为基节点 (base cuboid) 。一个n维数据立方体有2n个节点。因此, 在CUBE进行预计算时, 对于一个四维的数据立方体, 若维表示为A, B, C, D则基节点的group by字句为group by A, B, C, D。
对于Cube的计算方法, 有很多种, 最直接的一种方法是独立计算法。先对原始数据维模型数据进行汇总计算得到基节点, 对于一个n维的数据立方体, Cube计算操作要对基节点读取2n-1次并计算。但这种计算方式会造成大量I/O操作, 性能比较差。后来发展了一种最小父亲方法的计算方式。对于一个四维 (A, B, C, D) 的数据立方体的节点计算操作, 节点G (A, B) 可以使用节点G (A, B, C) 或G (A, B, D) 计算。因此可以看出, 对于属性集X上的节点可以从节点Y生成, 当且仅当X属于Y时。对于上面提到的四维的数据立方体我们可以生成一个如图1的网格, 从图1中可以看出上层的节点可以利用已计算的下层节点来进行计算, 能有效的降低I/O操作的次数, 这是一种比较成熟的方法[7]。
(4) 搜索格 (search lattice) 设V={V1, V2, …, Vn}是多维数据集合上关于Cube操作的cuboid的集合。如果Ci勐Cj且|Ci|=|Cj|+1, 那么Ci和Cj满足直接计算关系, 表示为Ci→Cj, 把Ci称为Cj的直接祖先或Ci称为Cj的直接孩子如果计算顺序是自下而上, 应该是Ci哿Cj且|Ci|=|Cj|+1。<V, →>为Cube操作的搜索格。搜索格可以用一个有向无环图G= (V, E) 表示[8], 如图2所示。
(5) 物化路径搜索格图G= (V, E) 中从一结点Cs到另一结点Ce, 表示cuboid之间生成关系的结点序列集合P={Cs, ···, Ci, C, ···, Ce}。集合中相邻的cuboid (如Ci, Cj) 之间满足直接计算关系, 且 (Ci, Cj) E[9]。
2.4 Cube的物化
OLAP首先应该对大规模的数据仓库具有快速执行复杂检索的能力, 这就要求高效的立方体计算和查询处理技术。有效的查询优化技术就是预先计算数据立方体的一部分, 而不是在每次查询时都重新进行计算。这种预计算也称为物化 (Materialization) 。这些被物化的数据通常被称作数据立方体 (Data Cube) 。从数据结构来看, 数据立方体包含一些特定维度的多维数组;从操作角度看, 数据立方体是一个关系操作, 它在所给维度的任意子集上计算group-by聚集[10]。
不同环境下对Cube计算的时间有着不同要求, 所以实际应用中通常采取以下三种物化策略:
(1) 完全物化策略, 即生成所有的cuboid。这种策略提供了最短的查询响应时间。但是, 在属性维个数较多的情况下, Cube计算的I/O成本较高, 计算时间较长, 而且数据量可能是原来的几百倍, 空间花费很大。所以完全物化策略是一种在存储空间较大、CPU空闲时间较长、对查询速度有较高要求的情况下的Cube计算方案。
(2) 部分物化策略, 即生成部分cuboid。在Cube计算中, 很多cuboid可以从其它cuboid中生成;通过选择合适的cuboid进行物化, 可以达到很好的查询性能。
(3) 不进行物化, 即不生成任何cuboid。在这种策略下, 必须通过查找源数据, 计算查询分析中所需的cuboid。这种策略完全依赖于数据库系统的查询处理机制, 而且只适合于查询要求不高、范围较小的情况。
综上所述, 完全物化策略可以得到最快的系统查询响应时间, 即使不考虑计算聚集所花费的CPU处理时间, 但是随着维数的增加, 就有可能导致数据爆炸。在应用中, 计算聚集时应在聚集所占用的空间、CPU处理时间和OLAP系统查询响应时间之间有一个权衡。
2.5 多维数据模型
多维数据模型需要解决多维数据的结构和功能两大方面的问题:
(1) 结构方面, 多维数据包括维数据和度量数据。度量数据由一些简单的数据项组成, 是用于表征业务状态的数据。维数据用于对度量数据进行分类, 在统计数据库中又称为分类属性。
(2) 功能方面, 主要是指决策中经常用到的一些数据查询能力, 如普通查询、切片/切块、向上/向下细分以及多种复杂的统计方法。
2.6 OLAP数据模型相关定义
(1) 立方体 (Cube) :多维数据集, 即数据的集合, 立方体是维度集合与度量集合之间的一种关联。
(2) 维 (Dimension) :维是人们观察数据的特定角度, 是主题的基础, 是对主题的一种类型划分。
(3) 维层次 (Hierarchy) :人们观察数据的某个特定角度还可以存在细节程度不同的多个方面描述, 称为维的层次。
(4) 维度集合:设di为n维数据立方体的第i个维度, 则D={d1, d2, …, dn}称为该数据立方体的维度集合。
(5) 度量 (Measure) :度量则是多维数据立方体在查询时候显示数据分析结果的特有属性。它是一组数据, 也叫事实, 当多维数据集的各个维都选中一个维成员, 这些维成员的组合就唯一确定了一个或几个值。
(6) 度量属性集合:设n维数据立方体有k个度量项, mi表示其中第i个度量项, 则称M={m1, m2, …, mk}是该n维立方体的度量属性集合。
(7) 粒度:是维的划分单位, 体现着数据单元的详细程度和级别。
(8) 聚合 (Aggregate) :聚合是预先计算好的数据汇总, 在问题提出之前已经准备好了答案, 能够提高查询响应的时间。
(9) 聚集函数:设{S1, S2, …, Sk}是d维的一个有限集族。当且仅当i>j时, 埚α∈Si→∃β∈Sj, 即存在一个函数F:Si→Sj, 使Si<Sj或Sj<Si, 则F称作聚集函数。
(10) 多维数据立方体:多维数据立方体C= (D, M, A, f) 是一个抽象数据结构。D={d1, d2, ···, dn}表示维度的集合, M表示度量, A是n维数据立方体的层次属性集, f表示事实表。设V是多维立方体C的值域, 表示了一个一对多的映射, V:D→E, 表示了限定了一个维度值组合后, 有多个度量值与之对应。 (D, M, A, f, V) 是C的一个多维立方体实例。
2.7 OLAP相关操作
OLAP的多维分析方法是指以多维的形式组织起来的对数据立方体的分析方法。分别是切片、切块、钻取、旋转。
(1) 切片 (slice) :切片是在多维数据立方体上的某一维上选定一个维成员值的操作。
(2) 切块 (dice) :切块是在多维数据立方体上的某一维上选定一个以上的维成员的操作。
(3) 钻取:在OLAP的分析操作中, 钻取又分为上钻 (roll-up) 和下探 (drill-down) 。上钻指向维的高层次 (粗粒度方向) 钻取, 下探是上钻的逆操作, 向维的低层次 (细粒度方向) 钻取。
(4) 旋转 (rotate) :改变一个报告或页面显示的维方向。
2.8 OLAP层分析及设计
2.8.1 OLAP层结构
OLAP层结构如图2.1所示, 主要由三大功能部分组成:数据加载模块、Data Cube计算模块和OLAP数据导航组成。
(1) 数据加载模块:企业数据库中的数据结构未经过系统化, 其组织形式是面向具体应用的。数据加载程序将与客户相关的源数据按主题进行归纳整理, 存入OLAP数据仓库中。
(2) Data cube计算:企业OLAP数据仓库中的数据量较大, 要快速地进行多维查询, 就必须事先对大量的数据从不同维度和不同层次进行快速聚集, 并将聚集数据以物化视图的形式保存起来。
(3) OLAP数据导航:决策用户对数据分析的多维请求, 获取分析数据并以用户所需要的方式返回给用户。
2.8.2 OLAP引擎
OLAP引擎位于数据仓库层与用户交互层之间, 它负责分析用户的输入, 把用户的输入转化成SQL语句, 对数据仓库中的多维视图进行各种操作, 然后把结果集返回给用户交互层。在系统中, 对用户的输入应定义以下操作:多维数据立方体的聚集;维度的选择和旋转;任意维度的上钻和下探;时间维的切片等。如图4所示:
当接收到参数后, Gp-Assay All首先需要对参数进行判断, 是维属性聚集还是维层次聚集。然后根据输入的维度的名称, 及其过滤条件, 生成一个度量为空值的多维立方体, 接着对此多维立方体进行遍历, 根据相应的度量公式求出度量并填入。如图5所示:
3 结束语
DSS的建立可以加强企业经营分析与投资决策的科学化和规范化管理, 强化对业务的宏观管理、预警和预测。在具体开发实现中, 系统应采用B/S模式, 系统架构由计算服务器、数据库服务器、WEB服务器组成。计算服务器完成数据抽取、转换、装载及立方体计算等工作, 它包括两个数据库:计算数据库和决策数据库。Web数据库服务器主要保存最终计算完成的基础数据和粗粒度的历史数据, 以及由页面层反馈来的基础维护数据, 并为页面层提供基本的报表数据和决策数据。这种架构能有效保证系统的稳定运行与响应速度, 提高系统的可靠性。
摘要:本文在分析了DW、OLAP等技术的基础上, 对决策支持系统的数据仓库进行了设计, 重点探讨了CUBE的计算及优化、多维查询的优化和对象组件模型的使用及其实现。对企业决策支持系统的建设具有较高的参考价值。
关键词:企业,数据仓库,OLAP,多维查询,决策支持系统
参考文献
[1]W.H.Inmon著.数据仓库 (王志海等译) [M], 北京:机械工业出版社, 2000:20-44.
[2]彭木根.数据仓库技术与实现[M].北京:电子工业出版社, 2002.81-103.
[3]林宇等.数据仓库原理与实践[M].北京:人民邮电出版社, 2003, 171-182.
[4]王珊等.数据仓库技术与联机分析处理[M].北京:科学出版社, 1998:121-233.
[5]李英, 冯玉强.基于数据仓库的决策支持系统[J]。决策借鉴, 2000, 16 (3) :12-15.
[6]蒋秀凤.OLAP技术的分析, 福州大学学报[J], 2002, 30 (4) :507-509.
[7]刘义.基于关系数据库的OLAP的研究[J].计算机工程与应用, 2001, 3 (2) :84-86.
[8]蒋建民.在关系数据库上实现OLAP多维分析[J].渝州大学学报, 2002, 19 (1) :18-20.
[9]杨光.OLAP技术及其发展.计算机应用研究[J], 1999, 16 (7) :7-10.
滴灌棉花灌溉决策支持系统研究 第7篇
新疆作为国内棉花的主产区之一,棉花产量占国内棉花产量的35%左右。“十一五”期间新疆棉花年产可达250万 t以上,棉花产业是新疆农业的支柱产业,棉花产业的发展水平极大地影响着新疆其他相关产业的发展。而棉花生产过程的科学管理是制约棉花产业迅速发展的重要因素之一,近年来,由于新疆棉花生产管理技术和管理模式停滞不前,棉花生产管理人员水平不一,农情基础数据信息缺乏,资源不能合理利用和共享,使新疆棉花产业的进一步发展受到了严重的制约。因此,随着棉花膜下滴灌等节水灌溉技术的大面积推广应用,迫切需要提出与现有的节水灌溉设备、方式和灌溉技术等相配套的棉化生产管理专家系统,以提升新疆棉花膜下滴灌生产的管理技术和管理水平。其中涌现出一些决策支持系统,郑重[1,2]开发了包含数据库、模型库、知识库和方法库的棉花膜下滴灌决策支持系统。杨世凤[3]开发了变量灌溉决策支持系统,依据农田内土壤含水率的差异性,进行针对性的变量灌溉。而张巍巍[4]基于灌区灌溉用水过程的复杂性和实时性,结合北方灌区管理的具体情况,研制了灌区实时灌溉决策支持系统软件。孙莉[5]将棉花的精准播种、节水灌溉、变量施肥、病虫害预测预报与防治、长势监测等集成形成棉花生产管理智能化决策系统, 同时与变量作业机具组装配套进行了示范。
本研究充分考虑到土壤属性的空间变异性特点,设置了含水率监测点布置决策,平均含水率计算等功能。在决策中充分考虑了土壤墒情计算条件,设置了不同的计算模式。灌溉诊断中使用与田间监测设备配套的诊断指标进行土壤灌溉诊断,适应性强。整套软件基于COM组件技术开发而成,并开发了B/S和C/S 2个版本。
1 系统结构组成
本研究软件主要有数据库管理、灌溉实时决策、施肥-病虫害预警和生产管理专家咨询4个组成部分,见图1。
2 软件环境
软件环境根据硬件拓扑结构不同而不同。其中C/S环境
中,使用Visual C++、Delphi、Mapx和Sql Server为开发平台,而B/S环境中,使用Visual C#、Ajax、Mapx Stream和Oracle为开发平台。在两个平台中均使用Visual C++开发的各模型组件,开发和维护非常方便。专家系统使用美国NASA专家系统开发工具CLIPS。
3 数据库管理
B/S模式下采用O/R Mapping技术设计数据库管理模块,并在应用中集成了数据库管理工具,任何系统管理员通过数据管理工具对数据库所作的修改工作,不用修改任何代码,就可以立即反映到包括数据查询、增加、修改等的用户操作界面上,有效的保证系统的快速适应性。电子地图采用Oracle Spatial空间数据库管理基本地理数据。具体细化为如下功能:系统账号管理与维护、日志管理、数据备份与恢复、数据字典维护、运行参数设置、数据录入、数据查询与浏览、数据统计图表与报表等功能。
4 灌溉实时决策
灌溉实时决策主要有墒情实时监测、历史墒情查询、实时墒情预报、灌溉实时诊断、实时灌溉决策、决策评价与管理等功能组成。
4.1 墒情实时监测和历史墒情查询
土壤墒情可根据用户选择分别使用GIS图形、等值线/面、时间过程线和表格等形式显示,能充分显示土壤含水率时空分布规律。墒情显示模块调用本研究开发的空间数据插值组件对实测或历史散乱点数据进行插值处理后使用图形显示组件显示出来,其中空间插值根据研究采用了泰森多边形法(自然邻点插值法)、反距离加权插值法、克里格插值法、径向基函数插值法等方法。在运行参数设置中可设置默认插值方法及该方法的控制参数。泰森多边形插值法使用计算几何方法自动形成泰森多边形(Voronoi 图)并得到各点的权重。当监测点位置不变情况下除第一次计算外,后续计算将直接从数据库中得到权重加快图形显示和平均含水率的计算。克里格插值法需要半方差函数或变异函数的类型及其控制参数,在实际应用中需要做前期研究,因此有一定局限性。径向基函数插值方法稳定性高,对散乱数据空间位置要求低,但针对土壤墒情空间分布的径向基函数及控制参数的选择需要进一步研究。系统缺省使用径向基函数插值方法进行土壤墒情空间插值和平均含水率计算。
4.2 实时墒情预报
实时墒情预报模块主要采用水量平衡法和消退指数法两种方法。在研究中也对其他方法如叶面积指数法等进行研究,但效果不很理想。由于田间小型气象站逐渐普及,使得使用水量平衡法预报土壤墒情成为可能。本研究将改进彭曼法做成模型组件嵌入系统中,可根据实测气象资料实时计算土壤墒情,并在此基础上结合气象预报信息预报土壤墒情。针对有前期墒情预报模型研究的情况,本系统还编写了多元逐步回归、最小二乘支持向量机和ARMA自回归滑动平均等模型组件。通过在模型参数库中设置各模型控制参数即可使用。
水量平衡法采用如下公式[6,7]:
式中:Di,Di-1为第i,i-1天计划湿润层内相对于田间持水率状态时的土壤水分亏缺,mm;ETi为第i天作物实际蓄水量,mm;P0i为第i天渗入土壤的降水量,mm;Ii为第i天灌水量;Ki为第i天地下水对根层的补给量,mm;Kc为作物系数;Ks为土壤水分胁迫系数;β为径流系数;Pi为实际降水量,mm;H为地下水埋深,m;n为经验系数。
消退系数法采用如下公式[8,9]:
式中:k为土壤消退指数。
根据不同作物生育期土壤水分观测资料得到回归公式。
4.3 灌溉实时诊断
棉花灌溉实时诊断根据缺水诊断指标实测值与生育期的阈值比较确定是否缺水及是否灌溉,在不缺水的情况下预报在无其他输入情况下的灌水日期和灌水量。缺水诊断指标有:土壤含水率、作物缺水指标CWSI、冠层温度与气温差TC-TA等。在实际运用中使用土壤含水率进行诊断可操作性强,故系统中将其设为缺省诊断指标。实时灌溉诊断运行界面见图2。
4.4 实时灌溉决策
实时灌溉决策模块根据灌溉诊断确定的灌溉日期和应灌水量,结合实际来水情况,确定配水管网的运作方案。决策方法分为3种:第一种直接使用现有灌溉制度得到灌溉实施方案,第二种结合用户经验进行轮灌等设计得到灌溉实施方案,第三种充分考虑田间含水率空间变化及灌溉管道约束,通过求解灌溉优化模型得到灌溉实施方案,最终将各管道电磁阀开启顺序和时间形成控制指令控制田间灌溉自动控制系统实施灌溉。
5 施肥决策与虫害预警
施肥决策使用测土平衡施肥方法,计算出土壤中氮、磷、钾肥的施用量和施用方法,按生育期划分存入数据库中。在灌溉诊断中将自动检测是否需要施肥,并给出施肥决策提醒用户随水施肥。虫害预警主要包含棉铃虫、棉蚜虫和棉叶螨预测模型,结合专家系统给出预警提示及防治方法。上述模型均形成对应组件。
6 生产管理专家咨询
在棉花生产管理决策中有很多问题无法用数学模型来求解,而必须使用农业专家的专家知识来对其进行解答[10]。作者在对现行诸多专家系统进行详细了解后,决定采用CLIPS专家系统作为本研究的专家系统开发平台。专家系统结构见图3。使用C++和C#分别在C/S和B/S下制作了知识库管理系统用来管理规则库、事实库和模型库。棉花生产管理知识库结构见图4。
7 运行实例
C/s模式下运界界面见图5。B/S模式下运行界面见图6。
8 结 语
使用组件开发技术,作者分别在C/S和B/S模式下开发了新疆滴灌棉花灌溉决策支持系统,软件适用性强且维护简便。在灌溉实时决策中使用不同方法对土壤墒情进行预测,充分考虑了含水率空间分布而设计了不同计算方法供选择,在实际应用中达到了预期的效果。通过对田间含水率监测、模型预测诊断、灌溉控制系统实时控制灌溉而实现对作物按需供水,减少水量损失,从而达到节水目的。
参考文献
[1]郑重,马富裕,李江全,等.棉花膜下滴灌决策支持系统研究[J].中国农学通报,2004,20(3):255-257.
[2]郑重,马富裕,张凤荣,等.农田水分监测与决策支持系统的实现[J].农业工程学报,2007,23(7):155-161.
[3]杨世凤,王建新,周建军.等.基于变量灌溉数学模型的决策支持系统研究[J].农业工程学报,2005,21(11):29-32.
[4]张巍巍,刘喜峰,谷红梅,等.灌区实时灌溉决策支持系统软件研制[J].人民黄河,2007,29(4):54-55.
[5]孙莉,张清,陈曦,等.精准农业技术系统集成在新疆棉花种植中的应用[J].农业工程学报,2005,21(8):83-88.
[6]李远华.实时灌溉预报的方法及应用[J].水利学报,1994,(2):46-51.
[7]茆智,李远华,李会昌.实时灌溉预报[J].中国工程科学,2002,4(5):24-33.
[8]尚松浩,雷志栋,杨诗秀.冬小麦田间墒情预报的经验模型[J].农业工程学报,2000,16(5):31-33.
[9]马孝义,王君勤,李志军.基于土壤消退指数的田间土壤水分预报方法的研究[J].水土保持研究,2002,9(2):93-96.
集成综合评价决策支持系统研究 第8篇
集成综合评价决策支持系统与可以支持决策的各种信息系统有着很大的区别,其定义为“通过应用数据和分析模型,以人机交互方式帮助决策者处理不良结构问题的、基于计算机的系统。”当分析模型为集成综合评价有关的模型时,即为集成综合评价决策支持系统,简称ICEDSS。系统的理论基础是建立在对综合评价方法和决策支持系统的研究上,分析综合评价的理论和方法,研究决策支持系统的数据仓库、数据挖掘和联机分析技术,可为ICEDSS的设计与开发提供有力的依据[1]。
1 设计思想
一般的综合评价决策支持系统的系统结构是由综合部件、模型部件、数据部件三大部件组成。其中,模型部件提供多种基于综合评价方法的模型组合,完成决策问题的模型辅助决策能力;数据部件提供多数据库文件,完成决策问题的数据辅助能力;如何把模型辅助决策能力和数据辅助决策能力结合起来,则是综合部件的任务[2]。综合部件按决策问题的要求,完成控制模型的运行以及模型组合运行,存取数据库的数据进行有关的数据处理和计算,设置人机交互,达到集成三部件形成决策支持系统。系统的总体架构就由人机界面、数据部件、模型部件、知识部件和方法部件五大部分组成,如图1所示。
2 设计内容
整个系统的结构在设计时是以数据仓库为核心按层次方式进行。系统的底层主要由数据源、数据源监视器和数据转换器三部分构成,数据源可为数据仓库提供内部数据,也可以通过DB接口JDBC与外部数据实现开放数据连接,这些数据的组织格式可以有各种关系数据库、文本、文件和报表等多种形式。数据源中与实证调查分析相关的数据被转换到数据仓库中,为系统高层的查询和分析等提供一致的数据支持。数据转换器是针对不同环境的数据差别而设置的中间处理过程,它按照数据仓库的设计要求从系统中转换有关原始数据,并送至数据集成区,等待进一步的数据加工与处理。监视器捆绑于各数据源上,负责自动监视各数据源中数据的变化,并将该变化通知数据转换器[3],如图2所示。
建立数据仓库目的是在不调整原有各类信息系统的情况下,提供一个适应OLAP应用的统一而全面的详尽数据源。数据仓库中数据范围覆盖所有相关信息,包含了当时和历史的详尽数据,但绝不是对数据简单地再存储,而是根据所要研究的系统架构和信息分析需求重新进行统一定义和组织,并通过元数据来管理和控制进入数据仓库的数据,从而保证数据的有效性和一致性。
系统通过OLAP服务器查询DW中的数据,利用挖掘算法,将挖掘工具挖掘所得到的知识放入知识库中。知识服务器是处理用户决策需求的综合服务单元,它根据用户需求向知识库和数据库要求相应的知识和数据,经处理后以Web页面的形式提供给用户。
OLAP是在全局数据视图上进行多维数据分析[5]。数据挖掘是从数据库或数据仓库中进行挖掘,获得辅助决策信息。将OLAP和数据挖掘结合起来,能起到相辅相成的作用,进一步提高辅助决策的效果。它弥补了以往MIS系统的不足,充分利用现行系统中的数据库资源,使评价分析工作和决策过程得到很好的支持[4]。
用户通过应用程序服务器从模型库、方法库中调用模型和方法,通过模型和方法的调用,处理数据仓库中的数据,从中得到有用的信息,达到支持决策的目的。
3 系统的开发过程
3.1 问题分解
对一个实际决策问题由开发者进行问题分解,将一个大的实际问题分解成若干子问题,子问题又可以分解成更小的子问题,直到可直接对各个子问题进行模型开发。
3.2 选择算法
选择的算法都是集成综合评价方法,将其存入方法库中,按照实际子问题的性质、规模和目标,在方法库中选择合适的算法,每种算法会得出相应的结论,需要对它们进行比较分析。
3.3 建立数据库
对于每种选定的模型算法确定所需要的数据,需要从实际子问题中提取这些数据,当这些数据只是该算法所特有,可将它们以文件的形式存放,如果这些模型数据是多模型算法所共享,就该建立数据库并存入这些数据[5]。
3.4 单模型生成
模型是算法和数据的组合。在选定了算法并已建立该算法的数据库后,就可以对单模型进行调试,计算结果不理想时,马上改变算法或参数,直到单模型计算合理时,该模型确定下来,在模型库中建立该模型,即单模型生成需要进行反复的模型调试。按模型的定义,相同的算法使用不同的数据时,将认为是不同的模型。这种规定便于对算法和模型的管理和使用。对于模型中数据只是小量的改变或者系列变化时,仍认为是同一个模型。
3.5 方案生成
在客户端上使用可视化系统生成工具针对实际决策问题的处理过程,制定系统的框架流程。按系统的层次关系,各子问题的框架流程是子框架流程,它还可以分解成更小的框架流程。它们之间是“主、子”关系,这种“主、子”关系结构的框架流程构成了系统方案。整个系统的主、子框架流程是一种便于用户理解的可视化框架流程图,这种框架流程也便于方案改变时对框架流程进行修改。
3.6 实例生成
对框架流程图中的每个框连接相应的模型,指定方法库中的算法,并连上该算法所需的输入输出数据(含数据库),该实例化的框架就是可执行的,子框架流程中每个框架都连上模型后,子框架流程就实例化了。
各子框架流程都实例化后,再进行“主、子”框架流程的连接,主框架的实例化是各框连接相应的子框架流程,整个系统的框架流程就实例化了。
3.7 系统运行
集成综合评价决策支持系统运行有两种方式:应用系统框架流程的运行和应用系统集成语言程序的运行,它们的运行效果是相同的。
4 结束语
在集成综合评价决策支持系统理论分析的基础上,搭建了一个面向一般用户的通用计算机集成综合评价决策支持系统的开发平台。先提出了集成综合评价决策支持系统的设计思想和设计内容,对系统实现的总体要求和开发流程进行了分析。最后,对整个系统的开发过程进行了总体的设计。
摘要:ICEDSS是按人机对话设计,由数据库管理系统和集成综合评价方法(模型库)管理系统组成,数据库管理可使数据的冗余减少并实现共享,应用程序全体组成模型库可使管理大大增强。
关键词:集成综合评价,决策支持系统,数据库管理系统
参考文献
[1]Jiang L.Economic Entropy and Its Application to the Structure of the Transport System.Quality&Quantity[J].International Journal of Methodology,1996(2):161-171.
[2]杜栋,庞庆华.现代综合评价方法与案例精选[M].清华大学出版社,2005,(9):1-8.
[3]高洪深.决策支持系统(DSS)理论·方法·案例[M].清华大学出版社,2005,(5):1-22.
[4]陈文伟.决策支持系统教程[M].清华大学出版社,2007,(11):174-228.
决策支持系统的发展与趋势 第9篇
1 关于决策支持
决策支持系统是当今计算机的前沿应用, 决策支持系统的应用使得计算机技术得到了很大的创新, 使得生产力的管理得到了提高。决策支持系统涉及到很多的知识内容, 比如说, 高性能的计算、数据的可视化、统计学科、运筹学科等。在数据处理方面, 最大的难度就是对信息处理的不完全和不规范化。而且这些数据有时会有一些不肯定的性质, 使得人们很难做出判断, 决策支持系统就必须对很多数据进行深入的详细的了解和分析, 然后进行推测。所以在数据库的应用中人们要对这些不完全、不规范、不确定的信息进行决策, 数据的统计处理是决策支持很重要的成部分。
2 数据仓库DW
数据仓库是一门崭新的技术, 数据仓库可以把零散的、很多的、具体的、决策分析必要的一些数据进行清洗、转换、综合。DW可以帮助人们进行分析风险和分析市场, 加强客户服务与营销活动。
2.1 数据仓库的特性
数据仓库是主题的。主题就是给数据进行分类的一个准则, 任何一个主题都对应着客观的研究领域, 而那些固有的一些数据库却没有这样的特点, 他们都是面对实际应用的。
数据仓库是集成的。所有的数据如果要进入数据仓库之前, 就一定要通过加工集成, 对于那些不同的数据根源, 进行统一数据的结构与编码。
数据仓库是稳定的。数据仓库中的数据是非常巨大的, 大量的数据如果进入数据仓库后, 几乎根本不会改变的。
数据仓库是随时间变化的。DW数据时限5~10年, 所以其键值含时间项, 适合DSS进行趋势分析。
2.2 数据仓库的结构
从原始业务数据库中获得的数据被分成不同的层次.一般数据仓库的结构构成见图1。
3 联机分析处理OLAP
联机分析处理是当今非常重要的技术, 在1993年的时候, E.F.CODD第一次给出了联机分析处理这样的概念, 联机分析处理技术主要设计和支持那些非常复杂一些操作, 特别是对于那些决策人员和高层管理人员的决策支持分析有很大的帮助。在查询和分析处理数据时, 决策分析处理可以很快的并且非常灵活的处理这些事情, 最后还可以提供很简单很好懂的的查询结果, 这样人们就可以更好更快的得到很多有用的消息。
联机分析处理是一种多用户的三层客户, 服务器结构, 这种结构中复杂的应用逻辑不是分布于网络上众多的PC机上, 而是集中存放在OLAP服务器上, 由服务器提供高效的数据存取, 安排后台处理及报表的预处理。其结构见图2。
4 数据挖掘DM
数据挖掘是当今社会一种新型的技术, 它可以发现那些不为人知的很难预料的一些信息, 数据挖掘可以找到那些特别有用的信息, 找到那些不为人知的模式。另外他还可以自动预测知识和行为。
数据挖掘的定义是由W.J.Frawley一些人提出来的。数据挖掘能够在很多的数据库中, 找到那些对人们非常有用的信息, 找到那些普通的, 不为人知的, 潜在的对人们非常有用并且能够接受的一些模式。
数据挖掘过程大概可以分成以下几个阶段:数据准备、采掘操作、结果表达和解释。
在数据挖掘的全部过程中, 用户始终参与其中, 数据挖掘的全部过程是一个非常精粹的过程, 也是一个反反复复的过程 (见图3) 。
5 决策支持系统的未来发展
决策支持系统是当今社会的新技术, 在人们的生活中也越来越重要, 决策支持系统也是将来社会发展的一种趋势。
①关于知识管理方面将不断的增强, 同时也会在知识能力的提高方面继续加强, 并且在知识的应用方面也会不断的提升。例如智能决策支持系统, 在学习知识方面具有很强的能力, 它可以帮助人们分析并进行决策。同时随着时间的推移, 环境的不断变化, 也会不断的改变自己, 并且能够不断的学习新知识, 改变心的知识库。
②不断的加强多种数据, 不断的综合知识的应用, 不断的综合知识的集成应用。随着技术条件的连续的改变, 可以提供准确的数据信息, 以方便决策者能够降低成本, 能够以最快的速度进行科学的决策, 可以为决策者提供保证。在设计和开发决策支持系统的时候, 要充分考虑事实数据资源、推理知识、先验知识、数据资源等的综合、集成运用。系统支持的效率和水平取决于丰富的资源基础。
③决策支持系统引入综合了电子商务平台的功能, 成功的融合发展了电子商务的趋势。电子商务是当今社会上非常流行的一种商业模式, 也是信息化时代的产物。电子商务的发展剧烈的冲击着传统的模式, 同时也产生了许多新的管理决策问题。决策支持系统的设计与开发也就考虑了这一重要的应用背景。例如目前开发的基于Web的DSS和基于Gl S的DSS都面向这类应用提供支持。
④决策支持系统还特别注重技术的发展和实际的应用, 对于那些不明确的信息, 也特别注重, 并恰当的处理。在现实的生活中存在着许许多多的不确定因素, 为了有效地解决这类问题, 专家们发展了“软计算方法”。
⑤由于系统功能的逐渐完善, 决策支持系统的应用领域也越来越广泛。决策支持系统今后不再是某些特殊人可以使用, 而是在社会的各个领域, 各个方面都得到普遍的应用。
⑥决策支持系统在界面的设计和界面的优化方面将特别重视, 也将会为客户提供更好的管理方面的支持。每当用户向智能决策支持系统提出请求时, 智能决策支持系统会支持用户的图形界面, 在客户管理方面也会更加友好, 并且智能决策支持系统反应速度快, 系统也会在更多方面得到更好的发展。
决策支持系统的发展日趋重要, 决策支持系统是一个技术集成系统, 它融合了信息技术、人工智能、心理学、决策科学、计算机技术、行为科学、组织理论和管理科学等诸多技术。社会在不断地发展, 不断的进步, 科学也在不断的发展, 不断的进步, 特别是计算机技术的快速发展, 快速进步。决策支持系统将以一门新的学科, 伴随着社会的进步而产生更大的发展与进步。
参考文献
[1]陈文伟.决策支持系统及其开发[M].北京:清华大学出版社, 1994.10.
[2]周义刚.面向决策支持的数据仓库技术的研究与应用[D].武汉湖北大学, 2004.
[3]陈京民.数据仓库与数据挖掘技术[M].北京:电子工业出版社, 2002.
[4]杨晓文, 韩燮.学生成绩分析数据仓库的模型设计及实现[J].山西电子技术, 2005 (1) .
[5]Using Data Definition Language with SQL Server 2000 Analysisi Services Client Applications.Dennis Kennedy Microsoft Corporation, May 2001.
【临床决策支持】相关文章:
决策支持05-24
决策支持分析05-13
决策支持系统提升企业营销决策能力论文07-20
医院决策支持系统建设05-07
查询与决策支持系统07-31
基于数据挖掘的企业决策支持系统分析01-31
企业财务审计及决策支持信息化的应用分析01-19
浅谈决策支持系统在高等教育统计中的应用09-10