聚类分析算法在供水营销系统中的应用与研究.docVIP

聚类分析算法在供水营销系统中的应用与研究 【摘要】随着信息化的迅猛发展，许多供水企业都建立了自己的MIS（管理信息系统），数据库的规模不断扩大，数据量越来越大。如何从海量的数据中提取出对他们的决策有用的信息资源或相关知识，从而帮助供水企业提高生产效率和服务质量，使供水企业能在激烈的竞争中保持先进，成为企业高层管理者关心的问题。数据挖掘作为一种发现大量数据中潜在信息的数据分析方法和技术，已经成为各界关注的热点，本文介绍了聚类分析算法，并给出了算法在供水营销中的应用实例。 【关键词】数据挖掘;供水营销系统;聚类分析 1.数据挖掘在供水营销系统中的研究现状 创建数据仓库的目的是为企业的决策提供科学的依据。数据仓库用于大最数据存储和组织;数据挖掘用于从大量的数据中发现知识，为用户进行预测决策[1]。数据挖掘以数据仓库和多维数据库为基础，通过OLAP和多维分析工具自动发现数据中的潜在模式，并以这些模式为基础自动作出预测。数据仓库与数据挖掘技术的结合为企业决策支持的建立提供了新的、更有效的解决方案。 供水营销数据仓库信息建模包括三方面，分别是概念模型设计、逻辑模型设计、物理模型设计。建立供水营销数据仓库必须确定数据源中的哪些数据需要抽取，以及抽取的方法和策略。供营销数据仓库能够对历年积累的用水数据进行多层次、多角度的分析，灵活、快速地按不同的需求提取并发现有价值的信息，揭示供水市场和供水营销的内在规律，为管理者制定决策提供依据，使供水企业取得最佳经济效益。 供水营销中的数据挖掘能够收集分散的各种数据，对客户状况、供水情况、市场需求、供水风险、客户关系等主题进行分析，让企业高层主管掌握客户尤其是重点客户的特征和服务关系、供水情况、收入和利润的结构、客户重要价值、营运风险和成本等信息。数据挖掘的算法在各种研究和应用中不断的被改进和完善，使其更加适用于供水营销信息的数据挖掘。本文根据所使用的供水营销系统的特点采用了聚类分析算法。 2.聚类分析算法的基本思想 聚类分析是将数据合理归类的一种方法，它把分类对象按一定的规则分成组或类，这些类不是事先给定的，而是根据数据特征而定的。聚类的目标是将数据聚集成类，使得类间的相似性尽量小，而类内的相似性尽量大。分类问题和聚类问题的关键区别是：分类问题中，我们知道训练集的分类属性值;而在聚类问题中，就需要我们在训练集中找到这个分类属性值[2]。 2.1 聚类分析的研究现状 作为统计学的一个分支，聚类分析已有多年的研究历史，这些研究主要集中在基于距离的聚类分析方面。许多统计软件，诸如：SPSS、S-Plus和SAS，都包含K-均值、K中心等诸多聚类分析方法。聚类分析的典型应用有：在商业方面，聚类分析可以帮助市场人员发现顾客群众所存在的不同特征的群组，并可以利用购买模式来描述这些具有不同特征的顾客组群。在生物方面，聚类分析可以用来获取动物或植物所存在的层次结构，或根据基因功能对其进行分类以获得对人群中所固有的结构更深入的了解。聚类还可以从地球观测数据库中帮助识别具有相似的土地使用情况的区域。此外，还可以帮助分类识别互联网上的文档以便进行信息挖掘。作为数据挖掘的一项功能，聚类分析还可以作为一个单独使用的工具，来帮助分析数据的分布、了解各数据类的特征、确定所感兴趣的数据类以便作进一步分析。同时，聚类分析还可以作为其他算法（如分类和定性归纳算法）的预处理步骤[3]。 2.2 聚类分析中的数据类型 假设要聚类的数据集合包含n个数据对象，这些数据对象可能表示人、文档等。聚类算法一般采用如下两种具有代表性的数据结构： （1）数据矩阵（或对象与变量结构）：它用p个变量（也称为度量或属性）来表现n个对象，例如用年龄、身高、体重、性别等属性表现对象“学生”。这种数据结构是关系表的形式，或者看成n×p（n个对象×p个变量）的矩阵。 （2）相异度矩阵（或对象-对象结构）：存储n个对象两两之间的近似性，表现形式是一个n×n维的矩阵。 在这里d（i，j）是对象i和对象j之间相异性的量化表示，通常它是一个非负的数值，当对象i和j越相似或“接近”，其值越接近0;两个对象越不同，其值越大。由于d（i，j） d（j，i），而且d（i，j） 0，可以得到上面的简化矩阵。 2.3 相似度 相似度是指对象间的相似程度，它根据描述对象的属性值来计算，通常用来量数值型变量的相似度[4]。以下介绍两种常用的方法： （1）距离度量：明考斯基（Minkowski）距离是几何问题中距离的标准度量法 当q 1时，称为曼哈顿（Manhattan）距离;当q 2时，称为欧几里德（Euclidean）距离。 （2）余弦度量：根据向量之间的夹角或夹角的余弦来度量相似度 余弦度量的一个重要特性是不依赖于向量的长度，即当时，满足： 2.4 K-均值聚类算法 K-均值聚类算法是使用