基于智能决策支持的时序数据挖掘系统的研究
|
摘要
随着数据库技术的飞速发展，数据库不仅在数量上快速增长，规模也越来越大。在许多现实的数据库中，数据常常与时间有关。按时间顺序取得的一系列观测值被称为时间序列数据。时间序列数据是一种复杂的数据对象，在社会生活中的各个领域广泛存在着大量的时间序列数据有待于进一步的分析和处理。时间序列的数据挖掘对人类社会、科技和经济的发展有重大意义。目前时间序列的数据挖掘是数据挖掘的重要研究热点之一。
本论文首先介绍了本课题的背景、研究内容和研究意义，论述了数据挖掘、时序数据挖掘的研究现状，包括它们的研究内容、常用方法以及当前的研究重点和发展方向。
其次，研究了常用的时序数据趋势分析模型，并对它们的推理过程和适用性进行了详细的阐述。指出了现有方法的局限性，提出了将智能决策支持系统引入时序数据趋势分析必要性和可行性。
第三，分析了基于智能决策支持的时序数据趋势分析系统的设计思想、设计目标和总体设计框架。
第四，详细从人机界面、知识库、模型库和自学习机制方面设计了一个基于智能决策支持的时序数据趋势分析系统。
最后，通过对一个实际时间序列的分析，给出了实验结果，验证了该系统的有效性和可行性。
With the development of database technology, the databases have increased not only in quantities but also in scales. The data always are related to time in many practical databases. Time series data is a series of observational data according to temporal sequence. Time series is very important and complicated data object. There are a lot of time series need to be further analyzed and processed in the all kinds of areas in society. Time series data mining is of great importance to development of society, science and technology and economy to the people. Research on time series data mining is one of important hot spots of data mining.
Firstly, after the background, content and intention of this paper are clarified; status in quo of data mining and time series data mining are discussed, including research content, common ways, current research emphases and development trend.
Secondly, time series trend analysis models in common use are introduced, whose illative process and applicability are also expatiated. And shortcomings of the existing ways are pointed out; necessity and feasibility that intelligent decision support system is introduced time series trend analysis are put forward.
Thirdly, design thinking, design objective and general frame of time series trend analysis system based on intelligent decision support are analyzed.
Fourthly, a time series trend analysis system based intelligent decision system is designed in detail from the point of human-computer interface, knowledge base, model base and machine learning.
Lastly, validity and feasibility of time series trend analysis system based on intelligent decision support are proved by analyzing an actual time series and the experimental result.
本论文首先介绍了本课题的背景、研究内容和研究意义，论述了数据挖掘、时序数据挖掘的研究现状，包括它们的研究内容、常用方法以及当前的研究重点和发展方向。
其次，研究了常用的时序数据趋势分析模型，并对它们的推理过程和适用性进行了详细的阐述。指出了现有方法的局限性，提出了将智能决策支持系统引入时序数据趋势分析必要性和可行性。
第三，分析了基于智能决策支持的时序数据趋势分析系统的设计思想、设计目标和总体设计框架。
第四，详细从人机界面、知识库、模型库和自学习机制方面设计了一个基于智能决策支持的时序数据趋势分析系统。
最后，通过对一个实际时间序列的分析，给出了实验结果，验证了该系统的有效性和可行性。
With the development of database technology, the databases have increased not only in quantities but also in scales. The data always are related to time in many practical databases. Time series data is a series of observational data according to temporal sequence. Time series is very important and complicated data object. There are a lot of time series need to be further analyzed and processed in the all kinds of areas in society. Time series data mining is of great importance to development of society, science and technology and economy to the people. Research on time series data mining is one of important hot spots of data mining.
Firstly, after the background, content and intention of this paper are clarified; status in quo of data mining and time series data mining are discussed, including research content, common ways, current research emphases and development trend.
Secondly, time series trend analysis models in common use are introduced, whose illative process and applicability are also expatiated. And shortcomings of the existing ways are pointed out; necessity and feasibility that intelligent decision support system is introduced time series trend analysis are put forward.
Thirdly, design thinking, design objective and general frame of time series trend analysis system based on intelligent decision support are analyzed.
Fourthly, a time series trend analysis system based intelligent decision system is designed in detail from the point of human-computer interface, knowledge base, model base and machine learning.
Lastly, validity and feasibility of time series trend analysis system based on intelligent decision support are proved by analyzing an actual time series and the experimental result.
引文
[1] 周晓宇，李慎之，戚晓芳. 数据挖掘技术初探[J]. 小型微型计算机2002.3,342-345.
[2] David Hand等. 数据挖掘原理[M]. 机械工业出版社，2003 .4，7-10.
[3] 范明，孟小峰. 数据挖掘概念与技术[M]. 北京：机械工业出版社，2001.8，278-285.
[4] 数据挖掘爱好者网站 http://www.qstat.net/dm_treeview/.
[5] 糜元根. 数据挖掘方法评述[J]. 南京化工大学学报，2001，9，105-111.
[6] 袁曾任，卢振中. 由神经网络提取规则的一种方法[J]. 信息与控制，1997，26,161-66.
[7] 刘振凯，贵中华，蔡青. 基于神经网络学习的知识求精方法 [J]. 计算机研究发展，1999，36（10），1069-1073
[8] 中国人民大学统计系数据挖掘中心. 数据挖掘中的决策树技术及其应用[J]. 统计与信息，2002.3，4-10.
[9] 杨光，张雷，艾波. OLAP技术及其发展[J]，计算机应用研究. 1999.7，7-10.
[10] 吉根林. 遗传算法在数据挖掘中的应用[J]. 信息技术,2001.12,5-9.
[11] 朱绍文等. 关联规则挖掘技术及发展动向[J]. 计算机工程，2000.9,4-6.
[12] 中国人民大学数据挖掘中心. 统计学与数据挖掘[J]. 统计与信息论坛,2002,1,4-9.
[13] 数据挖掘与知识发现 http://e-works.net.cn/ewkArticles/Category111/Article10705.htm.
[14] 吴志华. 基于知识发现的时序数据挖掘算法的研究[D]. 华北工学院硕士论文，2002.3.
[15] 段立娟，高文，王伟强. 时序数据库中相似序列的挖掘[J]. 计算机科学，2000.5,39-44.
[16] 欧阳为民,蔡庆生. 数据库中的时态数据挖掘研究[J].计算机科学,1998.4,60-63.
[17] 杨叔子,吴雅. 时间序列分析的工程应用[M]. 华中理工大学出版社,1995.
[18] 安鸿志. 时间序列分析[M]. 华东师范大学出版社，1992.
[19] 叶修洪. 一种新的时间序列数据挖掘方法研究[D]. 浙江大学硕士论文，2001，01，01.
[20] 卓明. 基于时序数据挖掘的预测研究[D]. 云南大学硕士学位论文，2002，05，01.
[21] 范金城，梅长林. 数据分析[M]. 科学出版社，2002.
[22] Jenkins, G.M., and D.G.Watts. Spectral Analysis and Its Applications,
Holden-Day, San Francisco, 1968
[23] 杨位钦，顾岚. 时间序列分析与动态数据建模[M]. 北京工业出版社，1986，12.
[24] http://www.brightchina.net/KM/sczygl/index-23.htm.
[25] 周水庚，陶晓鹏，胡运发.数据挖掘系统模型的研究[J]. 江西师范大学学报，1998，10，12-17.
[26] 杨炳儒. 知识工程与知识发现[M]. 北京，冶金工业出版社，2000，12.
[27] 张荣梅. 智能决策支持系统的开发及应用[M]. 北京，冶金工业出版社，2003，1.
[28] 孙卫星等. 浅析决策支持系统发展的新动向[J]. 山东建材，1998，3.
[29] 刘怀亮等. 智能决策支持系统的模型技术及研究趋势[J]. 工业控制计算机，2003 年12卷第2期.
[30] Freeman E H. An agent-oriented programming architecture for multi-agent constraint satisfaction problems[C]. Proceedings of the 2nd International IEEE Conference on Tools for AI, Los Angeles, CA, USA, 1990.
[31] 刘金琨,黄树青. 基于Agent技术的人机智能决策支持系统的研究[J]. 系统工程理论与实践，2002,2,15-20.
[32] Jennings N.R. Agent-based software engineering[J]. Artificial intelligence, 117,2000,227-296.
[33] 李英，刘豹. 预测支持系统中的人机界面Agent及其机器学习[J]. 系统工程理论与实践，2002，12，73-76.
[34] 陈文伟. 智能决策技术[M].电子工业出版社，1997，11.
[35] 郦永达，薛华成. 智能支持系统的人机接口技术初探[J]. 系统工程理论与实践，1995，12，29-33.
[36] 李英，刘豹. 预测支持系统中的人机界面Agent及其机器学习[J]. 系统工程理论与实践，2000，12，73-76.
[37] 孙霞，冯庆华. 智能人机界面设计探讨[J]. 郑州轻工业学院学报，1998，6，34-37.
[38] B.Schneiderman. Designing The User Direct Manipulation. A Step Beyond Programming Languages. IEEE Computer, 1993.
[39] B.Schneiderman. Designing The User Interface. Strategies for Effective Human Computer Interaction, Addison-Wesley, 1987.
[40] 敖志刚. 人工智能与专家系统导论[M]. 中国科学技术大学出版社，2002，3，43-50.
[41] 于九如等. 模糊线性回归及其应用[J]. 系统工程理论与实践，1995，4，32-37.
[42] 徐洁磐. 决策支持系统生成器NDSSG的设计与实现[J]. 计算机研究与发展, 1993，3.
[43] 黄梯云. 智能决策支持系统[M]. 电子工业出版社，2001，1，119-123.
[44] 韩燮. 一类基于知识发现的集成化预测模型研究[D]. 北京科技大学博士论文，2002，05，05.
[45] Ting-Peng Liang, Jin-shang Huang. A framework for applying intelligent agents to support electronic trading [J]. Decision Support System, 2000(28): 305-317.
[46] M Wooldridge, A Lomuscio.A compu-tationally Grounded Logic of Visibility, Perception, and Knowledge [J]. In Logic Journal of the IGPL, 2001,9(2): 273-288.
[47] Kuo R J, Xue K C. Intelligent sales forecasting system through integration of artificial and fuzzy neural network [J]. Computers in Industry 1998,37(1), 1-15.
[48] 张玉叶. 基于Agent的数据挖掘在WEB预取中的应用研究[D]. 山东大学硕士学位论文，2002.4.3.
[49] 黄晓霞，肖蕴诗. 一种新型的基于多智能体的KDD系统结构[J]. 同济大学学报，2002，7，853-857
[51] 廖雪珍，市场需求组合预测支持系统的研究[D].华中科技大学硕士学位论文，2002.4.27.
[52] 胡代平，刘豹. 基于Agent的预测支持系统的设计 [J]. 管理科学学报，1998.12,82-86.
[2] David Hand等. 数据挖掘原理[M]. 机械工业出版社，2003 .4，7-10.
[3] 范明，孟小峰. 数据挖掘概念与技术[M]. 北京：机械工业出版社，2001.8，278-285.
[4] 数据挖掘爱好者网站 http://www.qstat.net/dm_treeview/.
[5] 糜元根. 数据挖掘方法评述[J]. 南京化工大学学报，2001，9，105-111.
[6] 袁曾任，卢振中. 由神经网络提取规则的一种方法[J]. 信息与控制，1997，26,161-66.
[7] 刘振凯，贵中华，蔡青. 基于神经网络学习的知识求精方法 [J]. 计算机研究发展，1999，36（10），1069-1073
[8] 中国人民大学统计系数据挖掘中心. 数据挖掘中的决策树技术及其应用[J]. 统计与信息，2002.3，4-10.
[9] 杨光，张雷，艾波. OLAP技术及其发展[J]，计算机应用研究. 1999.7，7-10.
[10] 吉根林. 遗传算法在数据挖掘中的应用[J]. 信息技术,2001.12,5-9.
[11] 朱绍文等. 关联规则挖掘技术及发展动向[J]. 计算机工程，2000.9,4-6.
[12] 中国人民大学数据挖掘中心. 统计学与数据挖掘[J]. 统计与信息论坛,2002,1,4-9.
[13] 数据挖掘与知识发现 http://e-works.net.cn/ewkArticles/Category111/Article10705.htm.
[14] 吴志华. 基于知识发现的时序数据挖掘算法的研究[D]. 华北工学院硕士论文，2002.3.
[15] 段立娟，高文，王伟强. 时序数据库中相似序列的挖掘[J]. 计算机科学，2000.5,39-44.
[16] 欧阳为民,蔡庆生. 数据库中的时态数据挖掘研究[J].计算机科学,1998.4,60-63.
[17] 杨叔子,吴雅. 时间序列分析的工程应用[M]. 华中理工大学出版社,1995.
[18] 安鸿志. 时间序列分析[M]. 华东师范大学出版社，1992.
[19] 叶修洪. 一种新的时间序列数据挖掘方法研究[D]. 浙江大学硕士论文，2001，01，01.
[20] 卓明. 基于时序数据挖掘的预测研究[D]. 云南大学硕士学位论文，2002，05，01.
[21] 范金城，梅长林. 数据分析[M]. 科学出版社，2002.
[22] Jenkins, G.M., and D.G.Watts. Spectral Analysis and Its Applications,
Holden-Day, San Francisco, 1968
[23] 杨位钦，顾岚. 时间序列分析与动态数据建模[M]. 北京工业出版社，1986，12.
[24] http://www.brightchina.net/KM/sczygl/index-23.htm.
[25] 周水庚，陶晓鹏，胡运发.数据挖掘系统模型的研究[J]. 江西师范大学学报，1998，10，12-17.
[26] 杨炳儒. 知识工程与知识发现[M]. 北京，冶金工业出版社，2000，12.
[27] 张荣梅. 智能决策支持系统的开发及应用[M]. 北京，冶金工业出版社，2003，1.
[28] 孙卫星等. 浅析决策支持系统发展的新动向[J]. 山东建材，1998，3.
[29] 刘怀亮等. 智能决策支持系统的模型技术及研究趋势[J]. 工业控制计算机，2003 年12卷第2期.
[30] Freeman E H. An agent-oriented programming architecture for multi-agent constraint satisfaction problems[C]. Proceedings of the 2nd International IEEE Conference on Tools for AI, Los Angeles, CA, USA, 1990.
[31] 刘金琨,黄树青. 基于Agent技术的人机智能决策支持系统的研究[J]. 系统工程理论与实践，2002,2,15-20.
[32] Jennings N.R. Agent-based software engineering[J]. Artificial intelligence, 117,2000,227-296.
[33] 李英，刘豹. 预测支持系统中的人机界面Agent及其机器学习[J]. 系统工程理论与实践，2002，12，73-76.
[34] 陈文伟. 智能决策技术[M].电子工业出版社，1997，11.
[35] 郦永达，薛华成. 智能支持系统的人机接口技术初探[J]. 系统工程理论与实践，1995，12，29-33.
[36] 李英，刘豹. 预测支持系统中的人机界面Agent及其机器学习[J]. 系统工程理论与实践，2000，12，73-76.
[37] 孙霞，冯庆华. 智能人机界面设计探讨[J]. 郑州轻工业学院学报，1998，6，34-37.
[38] B.Schneiderman. Designing The User Direct Manipulation. A Step Beyond Programming Languages. IEEE Computer, 1993.
[39] B.Schneiderman. Designing The User Interface. Strategies for Effective Human Computer Interaction, Addison-Wesley, 1987.
[40] 敖志刚. 人工智能与专家系统导论[M]. 中国科学技术大学出版社，2002，3，43-50.
[41] 于九如等. 模糊线性回归及其应用[J]. 系统工程理论与实践，1995，4，32-37.
[42] 徐洁磐. 决策支持系统生成器NDSSG的设计与实现[J]. 计算机研究与发展, 1993，3.
[43] 黄梯云. 智能决策支持系统[M]. 电子工业出版社，2001，1，119-123.
[44] 韩燮. 一类基于知识发现的集成化预测模型研究[D]. 北京科技大学博士论文，2002，05，05.
[45] Ting-Peng Liang, Jin-shang Huang. A framework for applying intelligent agents to support electronic trading [J]. Decision Support System, 2000(28): 305-317.
[46] M Wooldridge, A Lomuscio.A compu-tationally Grounded Logic of Visibility, Perception, and Knowledge [J]. In Logic Journal of the IGPL, 2001,9(2): 273-288.
[47] Kuo R J, Xue K C. Intelligent sales forecasting system through integration of artificial and fuzzy neural network [J]. Computers in Industry 1998,37(1), 1-15.
[48] 张玉叶. 基于Agent的数据挖掘在WEB预取中的应用研究[D]. 山东大学硕士学位论文，2002.4.3.
[49] 黄晓霞，肖蕴诗. 一种新型的基于多智能体的KDD系统结构[J]. 同济大学学报，2002，7，853-857
[51] 廖雪珍，市场需求组合预测支持系统的研究[D].华中科技大学硕士学位论文，2002.4.27.
[52] 胡代平，刘豹. 基于Agent的预测支持系统的设计 [J]. 管理科学学报，1998.12,82-86.