|
 减小字体 增大字体
摘 要 科学准确的预测是帮助管理层做出正确明智决策的前提。本文首次将数据处理组合目前在实施基于数据仓库的电信决策支持方案时，往往只是构造了决策支持的基础，即仅仅实现数据仓库和多维分析OLAP，而对于如何从大量数据中提取所需信息——数据挖掘，还在进一步研究和探索中。数据挖掘是DSS中至关重要的技术，主要是发掘隐藏在数据背后潜在有用的信息，使分析者得到启示，从而真正实现决策的支持。其中，预测又是数据挖掘的重要部分，没有科学的预测就没有科学的决策，准确的预测是做出正确决策的依据。[1] 电信行业的业务量、收入总量等指标值，往往会受到各种不同因素的影响，既呈现一定规律，又有一定随机性。本文首次尝试将A.G.Ivakhnenko提出的数据处理组合方法（Group Method of Data Handling，简称GMDH）用于电信行业复杂时间序列的预测，该方法用多项式作为数据处理和建模的基本形式，并在结构上有自组织和全局选优的特性，非常适合进行非线性数据的拟合。计算表明其预测效果令人满意，比目前广泛使用的挖掘工具IBM Intelligent Miner要好。 1 GMDH基本原理及算法1.1 GMDH基本原理 预测来自于对以往数据轨迹的把握，不同的预测器是以不同的方式获取数据的规律，并以此来推测未来的数据走向，原则上任何一种轨迹都可以由Kolmogorov—Gavbor多项式来表示：  （1） 只要有足够的数据和计算量，就可以拟合式（1）的系数，得到轨迹的表达式。然而，要完全确定a0，ai……等参数值是不现实的，因为随着次数和变量个数的增加，其项数急剧增加，会产生巨大的维数灾难，加之计算时的不稳定性，因而无法直接拟合式（1）建模。 70年代前后由苏联学者Ivakhnenko提出的数据处理组合方法（GMDH）通过多层自组织结构方式，解决了这一目前GMDH方法已成功参考文献 [1] 孙枫林．预测技术再电信业务发展规模决策中的应用[J]．湖南大学学报，2001,（12）：117-121. [2] 刘光中，颜科琦，康银劳．基于自组织理论的GMDH神经网络算法及应用[J]．数学的实践与认识，2001，（7）：464-469. [3] 易顺民，赵文谦，蒲迅赤．河流水环境有机污染物的自组织预测模型及应用[J]．环境科学研究，1999,（12）：46-49. [4] A.G.Ivakhnenko and G.A.Ivakhnenko. The review of problems solvable by algorithms of the group method of data handling. [J]Pattern Recognition and Image Analysis.Vol.5,No.4,1995,527-535 转贴于 范文论文吧 http://www.fwlw8.com |
