论文部分内容阅读
摘要：数据挖掘是伴随科技不断发展的新兴技术，也是目前研究的热门领域。本文主要分析了基于数据挖掘的预测决策模型应用相关内容，如下表述。
关键词：数据挖掘;预算决策;模型;应用
数据挖掘技术是科技高速发展的产物。人们生产和生活中产生的数据越来越多，数据挖掘技术可实现对大量数据的快速整理和分析，能提高数据利用价值。由此可见，数据挖掘是顺应时代发展的产物，可为人们生活和生产提供较大便利。
1預测决策模型分析
预测决策系统可以在历史数据的基础上预测未来数据，并根据其他相关因素对预测结果进行调整。预测决策系统要想提高数据预测精准度，就需要将不同的预测决策模型组合在一起，多个预测决策模型组合在一起，可以满足事物发展多样性的需求。通常情况下，人工神经网络法是企业预测人员在预测决策模型构建中经常采取的预测决策方法。预测决策模型可检测与识别历史序列中不良数据，能确保预测精度。预测人员也可以根据实际情况选取更为合适的预测决策方法，并将不同方法下的预测结果进行比较，之后综合分析，得出最终的预测结果。构成预测决策系统的结构主要有四种，分别是模型库、数据库、综合分析库以及算法库[1-2]。
2基于数据挖掘的预测决策模型的应用
2.1预测决策模型
常规预测模型、初级模型以及专用模型是预测决策常见的模型类型。预测决策模型在构建时可以由用户自定义模型中的参数，这样可以将充分的空间开放给用户，实现人自身的经验与计算机之间的有机衔接，提高预测决策精度。
2.2预测决策策略
2.2.1基于模型库的预测决策模型管理
该环节需要构建预测决策模型库和方法库，模型库和方法库可以将计算机与人本身的经验结合在一起，由此提高预测决策精度。
2.2.2组合模型预测决策技术
组合模型预测决策技术可以预测决策相应的序列量。该环节可供预测决策人员选择的模型较多。一般情况下数学模型带有较强的抽象性，且多数自然规律难以使用单一数学模型表示出来，因此也不能确保预测决策模型精度。不同类型的模型组合在一起可以提高预测决策模型精度，不同类型模型组合在一起形成的综合模型，可更加全面地对自然规律进行描述。
2.2.3预测决策过程控制技术
预测决策值尚未尚未得到证实之前，对于预测决策工作人员来说最关心的问题就是预测决策系统所得预测决策结果是否与预测决策精度要求相一致。预测决策系统采用虚拟预测决策，可虚拟预测决策近期已知的数据，对数据条件变化下预测决策结果稳定性、虚拟预测决策精度以及拟合精度等进行考察，由此得到更为精确的预测决策精度，将自动选择预测决策模型功能提供给预测决策工作人员。
2.2.4历史数据预处理技术
为了获取最好的预测效果，要确保预测决策历史数据的合理性，预测决策系统需要对历史数据展开分析确保其合理性。历史数据中需要将人为因素带来的错误去除，同时也要去除统计口径不一致带来的误差，避免突发事件或者特殊原因影响统计数据。
2.2.5结果评价和参数自动修正技术
预测决策结束后伴随实际数据的产生，为了确保预测决策精度，系统需要对所得数据进行全面性分析，以此来修正预测决策模型参数。全部的误差分析结果都需要保存在用户指定的信息文件中。这样可方便用户及时查阅，起到校正预测决策数据的作用。具体业务实践过程中离不开人工干预，以人工的方式对预测决策结果进行干预，便于预测决策人员积累更多的经验。因此越策决策系统模型构建中需要重视人工对预测决策结果的干预。
2.3系统框架
数据仓库与管理、前端报表分析数据展示与设计以及中间应用服务器调优与设置是系统框架过程的主要结构。其中数据仓库与管理主要包括构建数据仓库系统结构、生成目标数据以及管理并维护数据仓库主题数据等。Web服务器和报表分析应用服务器是中间应用服务器主要的构成部分。其中WebLogic是Web服务器主要的应用服务器。报表分析应用服务器采用最先进的商业智能软件，可管理并描述元数据。加上四级缓冲技术可快速提取用户数据内容。主题构架与属性定制环节，借助Microstrategy的Architect构架体系可灵活定义主题，并任意增删有关属性，满足用户自助式设计的需求，不断扩充系统功能。、前端报表分析数据展示与设计可借助图形和表格结合的方式，对不一样的主题进行分析。主题分析中可采用的分析手段较多，如切片分析和钻取分析等，以此满足不同属性的多角度分析和多方位转换分析的目的。
2.4数据抽取
数据仓库数据生成的关键环节就是数据抽取。在抽取数据的过程中，系统可展示出详细的日志。所展示的日志包括的内容较为全面，如源数据的正确性校验、数据抽取的相关分析、主题抽取情况的说明等。根据不同单位需求将所抽取的日志向各个部门工作人员转发，并对上报数据进行更正。数据经审核验证后，会进一步汇总、聚集，处理后的数据可向对应的数据表中自动插入。只读数据是基础数据生成后的常见形式，只读形式下前端分析人员只具备数据分析的权限，没有修改基础数据的权限[3-4]。
3结语
综上所述，以上就是本文对基于数据挖掘的预测决策模型应用内容的有关分析，希望对该领域研究有一定的帮助。
参考文献：
[1]蒋水宾. 基于多属性排序决策模型的生态效率多源异构数据挖掘研究[D]. 天津：天津大学，2017.
[2]孙钰. 基于数据挖掘的电商促销活动效应与销量预测研究[D]. 上海：东华大学，2017.
[3]高明亮，高珊，于闯，等. 融合RCM、PHM和数据挖掘的城市轨道交通车辆维护决策技术研究[J]. 城市轨道交通研究，2021，24（2）：64-68.
[4]韦高洁. 基于数据挖掘的P2P网贷获贷结果影响因素及放贷决策模型研究[D]. 上海：上海师范大学，2017.
安徽大学国际教育学院 安徽 合肥 230039
关键词：数据挖掘;预算决策;模型;应用
数据挖掘技术是科技高速发展的产物。人们生产和生活中产生的数据越来越多，数据挖掘技术可实现对大量数据的快速整理和分析，能提高数据利用价值。由此可见，数据挖掘是顺应时代发展的产物，可为人们生活和生产提供较大便利。
1預测决策模型分析
预测决策系统可以在历史数据的基础上预测未来数据，并根据其他相关因素对预测结果进行调整。预测决策系统要想提高数据预测精准度，就需要将不同的预测决策模型组合在一起，多个预测决策模型组合在一起，可以满足事物发展多样性的需求。通常情况下，人工神经网络法是企业预测人员在预测决策模型构建中经常采取的预测决策方法。预测决策模型可检测与识别历史序列中不良数据，能确保预测精度。预测人员也可以根据实际情况选取更为合适的预测决策方法，并将不同方法下的预测结果进行比较，之后综合分析，得出最终的预测结果。构成预测决策系统的结构主要有四种，分别是模型库、数据库、综合分析库以及算法库[1-2]。
2基于数据挖掘的预测决策模型的应用
2.1预测决策模型
常规预测模型、初级模型以及专用模型是预测决策常见的模型类型。预测决策模型在构建时可以由用户自定义模型中的参数，这样可以将充分的空间开放给用户，实现人自身的经验与计算机之间的有机衔接，提高预测决策精度。
2.2预测决策策略
2.2.1基于模型库的预测决策模型管理
该环节需要构建预测决策模型库和方法库，模型库和方法库可以将计算机与人本身的经验结合在一起，由此提高预测决策精度。
2.2.2组合模型预测决策技术
组合模型预测决策技术可以预测决策相应的序列量。该环节可供预测决策人员选择的模型较多。一般情况下数学模型带有较强的抽象性，且多数自然规律难以使用单一数学模型表示出来，因此也不能确保预测决策模型精度。不同类型的模型组合在一起可以提高预测决策模型精度，不同类型模型组合在一起形成的综合模型，可更加全面地对自然规律进行描述。
2.2.3预测决策过程控制技术
预测决策值尚未尚未得到证实之前，对于预测决策工作人员来说最关心的问题就是预测决策系统所得预测决策结果是否与预测决策精度要求相一致。预测决策系统采用虚拟预测决策，可虚拟预测决策近期已知的数据，对数据条件变化下预测决策结果稳定性、虚拟预测决策精度以及拟合精度等进行考察，由此得到更为精确的预测决策精度，将自动选择预测决策模型功能提供给预测决策工作人员。
2.2.4历史数据预处理技术
为了获取最好的预测效果，要确保预测决策历史数据的合理性，预测决策系统需要对历史数据展开分析确保其合理性。历史数据中需要将人为因素带来的错误去除，同时也要去除统计口径不一致带来的误差，避免突发事件或者特殊原因影响统计数据。
2.2.5结果评价和参数自动修正技术
预测决策结束后伴随实际数据的产生，为了确保预测决策精度，系统需要对所得数据进行全面性分析，以此来修正预测决策模型参数。全部的误差分析结果都需要保存在用户指定的信息文件中。这样可方便用户及时查阅，起到校正预测决策数据的作用。具体业务实践过程中离不开人工干预，以人工的方式对预测决策结果进行干预，便于预测决策人员积累更多的经验。因此越策决策系统模型构建中需要重视人工对预测决策结果的干预。
2.3系统框架
数据仓库与管理、前端报表分析数据展示与设计以及中间应用服务器调优与设置是系统框架过程的主要结构。其中数据仓库与管理主要包括构建数据仓库系统结构、生成目标数据以及管理并维护数据仓库主题数据等。Web服务器和报表分析应用服务器是中间应用服务器主要的构成部分。其中WebLogic是Web服务器主要的应用服务器。报表分析应用服务器采用最先进的商业智能软件，可管理并描述元数据。加上四级缓冲技术可快速提取用户数据内容。主题构架与属性定制环节，借助Microstrategy的Architect构架体系可灵活定义主题，并任意增删有关属性，满足用户自助式设计的需求，不断扩充系统功能。、前端报表分析数据展示与设计可借助图形和表格结合的方式，对不一样的主题进行分析。主题分析中可采用的分析手段较多，如切片分析和钻取分析等，以此满足不同属性的多角度分析和多方位转换分析的目的。
2.4数据抽取
数据仓库数据生成的关键环节就是数据抽取。在抽取数据的过程中，系统可展示出详细的日志。所展示的日志包括的内容较为全面，如源数据的正确性校验、数据抽取的相关分析、主题抽取情况的说明等。根据不同单位需求将所抽取的日志向各个部门工作人员转发，并对上报数据进行更正。数据经审核验证后，会进一步汇总、聚集，处理后的数据可向对应的数据表中自动插入。只读数据是基础数据生成后的常见形式，只读形式下前端分析人员只具备数据分析的权限，没有修改基础数据的权限[3-4]。
3结语
综上所述，以上就是本文对基于数据挖掘的预测决策模型应用内容的有关分析，希望对该领域研究有一定的帮助。
参考文献：
[1]蒋水宾. 基于多属性排序决策模型的生态效率多源异构数据挖掘研究[D]. 天津：天津大学，2017.
[2]孙钰. 基于数据挖掘的电商促销活动效应与销量预测研究[D]. 上海：东华大学，2017.
[3]高明亮，高珊，于闯，等. 融合RCM、PHM和数据挖掘的城市轨道交通车辆维护决策技术研究[J]. 城市轨道交通研究，2021，24（2）：64-68.
[4]韦高洁. 基于数据挖掘的P2P网贷获贷结果影响因素及放贷决策模型研究[D]. 上海：上海师范大学，2017.
安徽大学国际教育学院 安徽 合肥 230039