gis与空间模型分析 - 物流产业大数据平台.pptVIP

数据挖掘 定义 一个从大型数据库中抽取隐含的、从前未知的、潜在有用的信息或关系的过程 一种深层次的数据分析方法 一种决策支持过程 一种新的技术，它的目标是从数据库中发现隐藏在大量数量记录中的未知知识 OLAP和DM在DW系统中占有相当重要的地位 DM技术的研究开发，将涉及数据库系统、决策支持系统、人工智能与计算机智能、知识工程、分布式处理、多媒体网络技术、计算可视化等多种理论与技术 作用 自动智能地分析数据库中的大量数据、以获取信息，是推动数据挖掘型工具产生并发展的强大动力 决策者提供重要的、极有价值的信息或知识，从而产生不可估量的效益 在信息服务的运用上大致可分为两个层次： 验证驱动层次 发现驱动层次 信息服务的发展方向随着挖掘技术的发展而向深度、广度发展 DM与知识发现的关系 知识发现：一个过程，包括数据选择、预处理、数据转换、DM、模式解释和知识评价等多个步骤，是应用特定DM算法和评价解释模式的一个循环反复过程，并要对发现的知识不断求精和深化，使其易于理解； DM：该过程中的一个特定的、关键的步骤，利用特定的DM算法从数据中抽取模式，不包括数据的预处理、领域知识结合及发现结果的评价等步骤，所以DM也称为数据库中的知识发现。 数据挖掘的特点 处理的数据规模十分庞大 响应快速，提供决策支持信息 规则需要适时更新 一项新兴的高新技术，面临着许多理论上或技术上的难点和挑战 DM的技术 人工神经网络方法 遗传算法 决策树方法 DM常用的分析方法 关联分析（Associations）： 挖掘出隐藏在数据间的相互关系 序列模式分析（Sequential Patterns）： 挖掘出数据之间的联系，侧重点在于分析数据间的前后（因果）关系。 分类分析（Classifiers）： 按照已有的分类标准，根据新事物的特征，将其划分到一定的类别中。 聚类分析（Clustering）： 与分类分析不同 四种DM方法虽然有着不同的适用范围，DM系统中经常是综合地利用之。 DM系统的实施 数据准备（Data Preparation） 挖掘（Mining） 表述（Presentation） 评价（Assess） DM与OLAP的区别和联系 DM： 一种挖掘型工具，它能有效地从大量数据中自动地发现隐藏在数据中的模式 可以发现OLAP所不能发现的更为复杂而细致的信息 OLAP 一种自上而下、不断深入的分析工具 ，更多地依靠用户输入问题和假设 OLAP、DM的数据来源于MIS，是其数据的汇总和提炼 8.6 物流系统模拟技术 模拟的定义与特点 定义 在建立数字逻辑模型的基础上，通过计算机实验，对一个系统按照一定的决策原则或作业规则由一个状态变换为另一个状态的动态行为进行描述和分析 特点 具有一种数值技术 一种“人工”实验手段 以计算机作为工具 对系统状态在时间序列中的动态写照 大多属于随机性系统模拟  物流系统中模拟技术应用的方法 系统动力学方法（SD: Systems Dynamics） 建模思路与理论依据 模型结构 因果关系图：用来描述系统因果反馈结构的一种关系图形，它的主要任务有：确定系统的边界，定义系统的主要变量；表明变量间的因果关系，应用因果关系链表示各变量的作用方向；标识主要反馈回路。 系统流图 SD数学模型 8.7 物流配送调度支持系统的定量算法 进化算法 蚁群算法 基本思想：模仿蚂蚁依赖信息素进行通信而显示出的社会行为。由于大规模的并行计算，使蚁群避开了局部最优，采用了正反馈机制，收敛速度加快，使用构造性的贪婪算法能在搜索的早期阶段找到较好的可行解。 核心的部分：对痕迹强度的处理，随着算法的进行，较短路径上痕迹的浓度增加，其相对应的路就更有可能被蚂蚁选中。 进化计算方法 模拟生物（包括人类）和各种自然现象解决高度非线性问题，包含遗传算法、进化策略和进化规划。 许多组合优化问题，如旅行商（TSP）问题和调度问题（作业调度问题和时间表问题）都能得到较好的解决。 物流系统中的配置问题模拟 模拟服务机构和顾客 物流流程分析 车辆优化调度的启发式算法 车辆优化调度的遗传算法 车辆运输的智能调度 车辆调度总体结构设计 * 第8章 支持物流决策的定量模型 与信息分析方法 教学目的 利用信息分析技术、物流信息技术和物流定量模型等来进行科学的物流管理决策； 掌握基本的概念和基本的方法和科学的决策思维。 教学内容 8.1 物流决策支持的特点与系统组成 8.2物流决策的定量模型 8.3 物流预测的定量模型 8.4 物流决策支持系统的空间分析 8.5 支持物流决策的信息分析技术 8.6 物流系统模拟技术 8.7 物流配送调度支持系统的定量算法 8.1 物流决策支