基于KW、MW及DW的决策支持系统架构研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于KW、MW及DW的决策支持系统架构研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：SDSS是较为先进的决策支持系统，但由于其模型库中的模型固定不变，因此在实际应用中具有一定的局限性。提出了集成数据仓库DW、知识仓库KW和模型仓库mw作为底部架构的体系结构，能有效解决这一问题。该架构简化了模型获得和编码任务，增强了决策的有效性和智能性，提高了决策效率。

关键词：决策支持系统；数据仓库；知识仓库；模型仓库；数据挖掘

中图分类号：TP311.5文献标识码：A

文章编号：1001-9081(2007)04-1027-03

DSS虽然可以为决策者提供及时、准确、科学的决策信息，但是，最先进的综合决策支持系统(SpatialDecisionSupportSystem,SDSS)也存在缺陷。SDSS是将传统DSS和新DSS结合（数据仓库+联机分析处理OLAP+数据挖掘DM+分区图片

图1知识仓库体系

数据库DB+定性分析辅助决策ES）而成[1]，能解决大多数的问题，但由于其模型库中的模型是固定不变的，不能随环境参数的变化而变化，这使得SDSS的使用有其局限性。本文提出了一种以集成数据仓库、知识仓库和模型仓库作为底部架构的决策支持系统体系结构。该结构采用知识仓库+数据仓库的方式，可随时更新知识库中的知识；同时，通过模型管理系统MWMS对模型库的管理及模型学习模块的作用，使得模型库中的模型具有一定的自适应能力，从而增强了决策的有效性和智能性，提高了决策的效率。

1主要模块

1.1模型仓库

模型仓库系统具有如下功能：模型仓库针对决策者的分析主题，可以分类管理和存储全局的、解决问题使用的模型（含数据挖掘使用模型），存储从纵向到横向的历史的、全面的模型参数（供系统优化选择出合适的模型）[2]；集成人工智能AI的机器发现技术对数据仓库/数据库中的数据拟合实现计算机建模/组合建模，闭环反馈中模型学习模块的神经网络、遗传等的自学习算法对模型进行微调和优化参数，适当改进得到适合于具体状况的最佳实体化模型，保持模型和客观的一致性；集成软件工程的软件开发柔性支持环境进行模型编码。模型管理系统完成对模型库中模型的管理（增加、删除、修改和查询），实现对模型的调用/运行/多模型组合运行。

1.2知识仓库

知识仓库系统具有获取、清理/转换/编码、组织、存储、调整和传播知识的功能[3]。知识仓库可以通过扩展数据仓库的体系结构来实现和满足功能要求，一般包括以下六个模块：1）知识/数据获取模块，主要负责将隐性知识转换成显性知识，即从决策者那里获得隐性知识。2）两个反馈环，其中一个循环存在于知识获取模块和知识储存模块之间；另一条反馈循环是在数据抽取、转换、装载模块(ETL)和交互管理模块之间负责存储系统中被验证的知识，实时更新知识仓库。3）数据抽取、转换、装载模块，它和数据仓库中的相应模块类似。4）知识仓库模块，知识仓库体系的一个主要部件是面向对象的知识库管理系统（KBMS），知识库管理系统集成了知识库、模型库中的分析任务。5）分析工作台，负责处理与分析任务的交互，包括任务控制、结论产生和技术管理三个子模块。6）交互接口模块，处理知识库管理系统和用户接口之间的交互。知识仓库的体系结构如图1所示。

1.3方法库

方法应建立在模型基础上，依据模型而作相应的选择以进行计算，当然，解决问题时可用一种模型、多种解决方法。建立方法库的目的是为DSS的问题模型提供求解算法，方法库管理系统的作用是提供对方法增加、删除、修改和查询的操作，并为模型运行求解提供服务。

1.4数据仓库与联机分析处理

联机分析处理属于数据仓库应用，它以数据仓库为基础，对数据仓库提供的面向主题的数据，采用各种统计分析算法进行分析处理，最终将分析结果提供给决策者，作为决策者的决策支持信息。数据仓库是按照DSS的功能需求，使用事实、维和粒度的划分来组织数据的。联机分析处理系统的关键就是如何组织数据仓库中的数据，以满足客户端多维数据分析的需要，

1.5数据挖掘

数据挖掘模块根据模型库系统提供的模型、方法库系统提供的方法、知识库系统提供的知识进行数据挖掘以获得所需要的知识，数据挖掘的结果作为新的知识和模型可用于进一步充实知识库和模型库。

1.6问题求解与交互系统

问题求解模块是利用知识库中的知识将问题结构化或半结构化，调用模型库中的相应模型、方法库中的方法、知识库中的知识以及数据仓库中的数据进行问题求解；对于不能结构化的非结构化问题，可以使用推理机制来求解。

2新决策支持系统的结构框架

图2是集成数据仓库、知识仓库、模型仓库、方法库、联机分析处理、数据挖掘与问题求解系统的DSS体系结构图。其中数据挖掘、知识推理中心、模型仓库的建模单元是系统的智能中心，强化了DSS的智能性，问题求解与交互系统是系统的功能中心。

该体系结构包括三个主体，第一个主体是模型仓库系统、数据库系统和数据仓库的结合，是决策支持系统的基础，为决策问题提供定量分析（模型计算）的辅助决策信息；第二个主体是数据仓库和联机分析处理，它从数据仓库中提取综合数据和信息，这些数据和信息反映了大量数据的内在本质；第三个主体是专家系统和数据挖掘的结合。数据挖掘从数据库和数据仓库挖掘知识，放入专家系统的知识仓库中，由知识推理的专家系统达到定性分析辅助决策。这三个主体相互补充、相互结合,根据实际问题的规模和复杂程度，决定采用单个主体的辅助决策还是采用两个或者三个主体相互结合辅助的决策。传统DSS利用第一个主体，IDSS结合第一个和第三个主体（定性分析辅助决策和数据挖掘），新DSS结合第二个主体（数据仓库和联机分析处理）和第三个主体中的数据挖掘[4]。利用问题求解和交互系统集成三个主体，形成更高形式的辅助决策。

综上所述，三个主体的有机统一、三个仓库作为DSS的底部架构、闭环反馈的应用、模型仓库系统的引入是该架构的特点，使得此架构更具智能性。

3实现该决策支持系统的关键技术

1）数据挖掘和文本挖掘：数据挖掘技术是通过对数据仓库的海量数据进行深入的分析和处理，从中找出隐含的规律和模式，获取所需知识，帮助企业更科学更准确地进行决策[5]。文本挖掘则允许决策者从各种文本信息中获取有价值的信息，文本源可以是Web页面、传真、E―mail、范例和其他文本文件，决策者可通过预先定义的规则和向导从文本中抽取有用的信息，以帮助其进行决策。

2）数学建模：在建模时，要求知识工作者明确定义模型的目标函数、决策变量及其权重，同时还要根据决策变量指明约束条件以及决策变量在目标函数和约束条件中的系数。这样，由这些元素（决策变量、系数、约束条件和目标函数）构成的数学模型就能够显性地反映决策环境中的隐性知识。

3）决策支持工具：是将知识仓库与现实应用联系起来，利用已有的知识，按照相应的条件，对某一问题辅以决策的工具[6]。其中应用到人工智能技术、专家系统技术和软件工程技术，包括知识查询工具、知识解释工具和多维分析工具等。

4）智能支持技术：主要包括：（1）模型仓库系统的设计和实现包括模型仓库的组织结构、模型仓库管理系统的功能、模型库语言等方面的设计和实现；（2）部件接口：各部件之间的联系通过接口完成。模型、数据、知识是各自独立的部件，要进行综合集成，必须解决好各部件之间的接口问题，才能把它们有机组合起来。部件接口包括对数据部件数据的存取、对模型部件模型的调用和运行、对知识部件的知识完成推理；（3）系统综合集成：根据实际决策问题的要求，通过集成语言完成对各部件的有机综合，形成一个完整的系统。

4实例分析

以上述理论和体系结构为指导，对国内某公司进行分析。该公司原有的质量管理决策支持系统由于模型参数固定，不能实现自适应，导致质量管理效率不高[7]。通过查看该系统的相关文档，并访问、调查该公司有关质量管理决策者，明确了企业在进行有关质量问题的决策后，通常会针对质量故障和质量成本，从供应商、生产厂、生产员工、产品和时间等方面进行分析，就相关主题作出决策，以提高产品质量。

针对每一主题，其分析的基准点应包括以下几类：生产厂商、员工、产品、供应商和时间等。其中，产品除了可以做单一产品分析外，还应能按产品分类进行分析。而生产厂商、员工、供应商都是单一个体，可以不必向上合并成为较大的单位，对单一的生产厂商、员工和供应商来分析即可。时间是维度数据，它具有先天的层次关系，公司的需求是以年、季度和月份来进行分析的，对每一个员工、每一类产品、每一个供应商和每一个生产厂商做质量分析时，就上述因素作年度、季度及月度质量分析，并以图形、表格的方式支持决策者进行决策即可。但是如果模型库中的相关模型参数不能进行微调的话，是难以做到这一点的。以Windows2000、SQLServer2000(含AnalysisService)作为数据库管理平台，Powerbuilder8.0和Excel2000作为开发工具即可以开发基于知识仓库、模型仓库及数据仓库的决策支持系统，该系统可以根据时间维度的变化以及不同员工、不同产品和不同厂商的特点自动对原有模型库中的相关模型进行参数修改。同时，调用方法库中的方法，通过联机分析处理即可得到诸如图3所示的图表。决策者可以通过这些图表知道质量问题严重的部门，针对这一问题，通过该决策支持系统进一步分析该问题产生的原因，并根据提供的支持结合自己的经验作出决策。

本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。