数据挖掘在煤炭贸易管理系统中的应用研究.docVIP

数据挖掘在煤炭贸易管理系统中的应用研究 　　摘要: 随着市场竞争的日益激烈和计算机技术的迅猛发展,数据挖掘技术在煤炭贸易管理系统中的应用尤为重要。本文结合当今比较流行的数据挖掘技术,分别利用线性回归和加权一次移动平均算法对销售量进行了预测 Abstract: With the increasingly fierce market competition and the rapid development of computer technology, application of data mining technology in the coal trade management system is particularly important. In this paper, combining today’s more popular data mining techniques, using linear regression and the weighted moving average algorithm ,sales were predicted. 关键词: 煤炭贸易管理系统;数据挖掘;线性回归;加权移动平均 Key words: coal trade management systems;data mining; linear regression;weighted moving average 中图分类号:TP311 文献标识码:A文章编号:1006-4311(2010)08-0123-02 0引言 当前国内开发的大多数煤炭管理系统是为公司管理煤炭业务而开发,只能实现数据录入、分类查询信息、汇总信息、定时发送短信息等功能。决策结果只能是基于决策者的直觉而不是数据库中丰富的信息。为此数据挖掘技术的应用基于此而产生。国内将数据挖掘应用于煤炭贸易的例子并不多见。本文将分别利用线性回归和加权一次移动平均算法对煤炭年度销售进行预测 1数据挖掘技术简述 1.1 数据挖掘的概念数据挖掘(Data Mining)就是从大量的、不完全的、有声的、模糊的、随机的数据中,提取隐含在其中的、人们预先不知道的、但又是潜在有用的信息和知识的过程 1.2 数据挖掘的方法 1.2.1 分类法分类就是找出一个类别的概念描述,并用这种描述来构造模型,一般用规则或决策树模式表示(该模型能把数据库中的数据项映射到给定类别中的某一个) 1.2.2 关联分析法关联分析是指在数据库中寻找值的相似性,一般用支持度和可信度两个阈值来度量关联规则的相关性 1.2.3 聚类分析法我们将数据库中的数据分组成为由类似的数据组成的多个类的过程称为聚类,由聚类生成的每个类是一组数据的集合,同一类中的数据彼此相似,不同类中的数据相异 1.2.4 预测法预测是利用历史数据找出变化规律,建立模型,并由此模型对未来数据的种类及特征进行预测。典型的预测方法是回归分析,即用大量的历史数据,以时间为变量建立回归方程 1.2.5 时序模式法时序模式是指通过时间序列搜索出的重复发生概率较高的模式,与回归一样,它也是用已知的数据预测未来的值 2二元线性回归法应用研究 基本过程是先建立数据仓库,提取分析要用的数据源,进行数据处理后,利用大量数据,建立线性回归模型,得出销售量与顾客购买频率和年份影响因素之间的联系,然后通过找出的规律可以预测煤炭在下个年度销售量,从而保证供应。下面我们以二元线性回归分析预测法为例,说明多元线性回归分析预测法的应用 二元线性回归分析预测法,是根据两上自变量与一个因变量相关关系进行预测的方法。二元线性回归方程的公式为:=a+bx+bx 式(1)中::因变量;x、x:两个不同自变量,即与因变量有紧密联系的影响因素 a、b、b:是线性回归方程的参数。a、b、b是通过解下列的方程组来得到 ∑y=na+b∑x+b∑x ∑xy=a∑x+b∑x+b∑xx ∑xy=a∑x+b∑xx+b∑x 本文主要通过公司运营时间预测顾客购买频率分,进而找出方法来发展客户群,再根据年份和顾客购买频率分预测年度销售量,若预计2007年煤炭销售量,首先用一元回归分析预测法预测2007年顾客购买频率分,再用二元回归分析预测法预测2007年煤炭销售量 从表1中可以看出煤炭销售量同年份和顾客购买频率有一定关系,可试用二元线性回归预测法进行预测。其具体过程如下: Y:煤炭销售总量;(单位:吨)x1:年份(单位:年) ;x2:顾客购买频率(单位:分) 2.1 解下列方程组,求a、b、b参数 ,把有关数据代入上面方程组,解方程组得:a=13.4517,b=-0.0186,c=1.31