劉光明+陳長(zhǎng)喜

摘要：針對(duì)畜禽養(yǎng)殖涉及的因素繁雜，且時(shí)空差異和變異性大，疾病頻繁，養(yǎng)殖穩(wěn)定性和可控程度差，結(jié)合畜禽養(yǎng)殖自身特點(diǎn)和養(yǎng)殖管理的實(shí)際情況，建立了畜禽健康養(yǎng)殖決策支持系統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)結(jié)構(gòu)和模型，給出了相關(guān)的數(shù)據(jù)挖掘算法實(shí)現(xiàn)步驟。探索該技術(shù)在畜禽養(yǎng)殖中的應(yīng)用，解決一些實(shí)際出現(xiàn)的技術(shù)問(wèn)題，實(shí)現(xiàn)了畜禽養(yǎng)殖科學(xué)化、智能化、健康化的管理標(biāo)準(zhǔn)。

關(guān)鍵詞：畜禽養(yǎng)殖；數(shù)據(jù)倉(cāng)庫(kù)；決策支持；數(shù)據(jù)挖掘

中圖分類號(hào)：TP311；S83 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2014）19-4723-04

DOI：10.14088/j.cnki.issn0439-8114.2014.19.057

Design of Livestock Decision Support System Based on Data Warehouse Technology

LIU Guang-minga，CHEN Chang-xib

（a. Network Information Center， b. College of Computer Information and Engineering， Tianjin Agricultural University， Tianjin 300384， China）

Abstract： Considering the complex factors involved in livestock and temporal differences and variability large， frequent illness， the degree of stability and controllability poor farming， combining with the situation of their own characteristics of livestock and aquaculture management， the health decision support system of breeding livestock data warehouse structures and models. The relevant data mining algorithm steps were given. The technology in livestock were established breeding was used to solve some practical problems to achieve management standards of livestock breeding scientific intelligent， health-oriented.

Key words： livestock breeding； data warehouse； decision support； data mining

目前，各類畜禽養(yǎng)殖企業(yè)為了經(jīng)營(yíng)管理的需要建立了各種類型的信息管理系統(tǒng)，但這些管理系統(tǒng)基本是由一些獨(dú)立的、分散不關(guān)聯(lián)的系統(tǒng)所組成，雖然擁有大量的信息，但由于系統(tǒng)不兼容性和數(shù)據(jù)屬性的不一致，無(wú)法為畜禽養(yǎng)殖決策提供有效的支持。如何整合這些分散、獨(dú)立的畜禽養(yǎng)殖企業(yè)管理業(yè)務(wù)操作系統(tǒng)，提出大容量畜禽養(yǎng)殖企業(yè)數(shù)據(jù)管理的有效分析方法，從“數(shù)據(jù)的海洋”中挖掘潛在的信息，為畜禽養(yǎng)殖企業(yè)管理者做出正確有效的判斷與決策提供依據(jù)，以提高畜禽養(yǎng)殖企業(yè)管理水平與效率，降低管理成本[1]。針對(duì)上述問(wèn)題，遵循畜禽健康養(yǎng)殖的規(guī)律，構(gòu)建了基于數(shù)據(jù)倉(cāng)庫(kù)技術(shù)的畜禽養(yǎng)殖決策支持系統(tǒng)和相應(yīng)的數(shù)據(jù)模型，在地區(qū)差異性制約和影響程度變異性下，提高了原始數(shù)據(jù)的提取精度，能夠集成不同輔助信息系統(tǒng)的大量歷史數(shù)據(jù)，提高了大數(shù)據(jù)訪問(wèn)能力。

1 數(shù)據(jù)倉(cāng)庫(kù)對(duì)畜禽養(yǎng)殖決策支持系統(tǒng)的作用

1.1 養(yǎng)殖效益分析

根據(jù)數(shù)據(jù)倉(cāng)庫(kù)中的養(yǎng)殖原始數(shù)據(jù)、價(jià)格和投入量等，運(yùn)用數(shù)理統(tǒng)計(jì)模型確定目標(biāo)函數(shù)的具體形式，進(jìn)行預(yù)測(cè)趨勢(shì)和定量分析。分析并同時(shí)找出社會(huì)資源需求、自然資源、生態(tài)環(huán)境、畜禽養(yǎng)殖業(yè)與其他行業(yè)關(guān)系等的數(shù)據(jù)限制，從而使得模型動(dòng)態(tài)地發(fā)生變化。

1.2 養(yǎng)殖因素分析

采用聯(lián)機(jī)分析處理（OLAP）技術(shù)切片、鉆取和旋轉(zhuǎn)多維數(shù)據(jù)，深入分析數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)。把提取的相關(guān)信息作為解決問(wèn)題的基礎(chǔ)，運(yùn)用數(shù)學(xué)運(yùn)算通過(guò)三維形式表現(xiàn)出來(lái)，解答在一定時(shí)間一定范圍內(nèi)對(duì)畜禽養(yǎng)殖影響的問(wèn)題。

1.3 養(yǎng)殖預(yù)測(cè)分析

通過(guò)數(shù)據(jù)挖掘技術(shù)，找出內(nèi)在關(guān)聯(lián)對(duì)數(shù)據(jù)進(jìn)行邏輯計(jì)算，比如有針對(duì)性地使用數(shù)學(xué)模型，根據(jù)歷年的市場(chǎng)價(jià)格數(shù)據(jù)隨時(shí)間變化的趨勢(shì)預(yù)測(cè)將來(lái)的值。

1.4 養(yǎng)殖決策分析

運(yùn)用時(shí)間序列模型、關(guān)聯(lián)規(guī)則挖掘市場(chǎng)價(jià)格數(shù)據(jù)和市場(chǎng)需求量數(shù)據(jù)，簡(jiǎn)單地確定目標(biāo)函數(shù)具體形式，通過(guò)可視化的形式表現(xiàn)，預(yù)測(cè)產(chǎn)品價(jià)格和需求量，從而開(kāi)拓潛在的市場(chǎng)，更好地為決策提供可靠的支持。

2 數(shù)據(jù)倉(cāng)庫(kù)在決策支持系統(tǒng)中的應(yīng)用

2.1 系統(tǒng)結(jié)構(gòu)

與傳統(tǒng)數(shù)據(jù)庫(kù)不一樣，數(shù)據(jù)倉(cāng)庫(kù)[2]包括前端處理、源數(shù)據(jù)和后端處理三個(gè)方面。體系結(jié)構(gòu)見(jiàn)圖1。

后端處理功能是將提取、清除、轉(zhuǎn)變、運(yùn)算、匯總后的源數(shù)據(jù)提供給數(shù)據(jù)倉(cāng)庫(kù)；前端處理的功能是客戶端可以存儲(chǔ)、提取并對(duì)數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)進(jìn)行分析，運(yùn)用聯(lián)機(jī)分析處理生成報(bào)表，以直觀方式表現(xiàn)出來(lái)，輔助用戶決策操作。數(shù)據(jù)倉(cāng)庫(kù)是綜合數(shù)據(jù)的集合，用于支持管理決策信息支持庫(kù)[3]。畜禽養(yǎng)殖決策支持系統(tǒng)中數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)結(jié)構(gòu)見(jiàn)圖2。

2.2 系統(tǒng)模型

數(shù)據(jù)倉(cāng)庫(kù)模型都以事實(shí)作為中心，主要不同是外圍維度表相互之間的關(guān)聯(lián)。由于畜禽養(yǎng)殖業(yè)的數(shù)據(jù)量巨大，要想得到約束條件、決策變量和目標(biāo)函數(shù)，必須對(duì)其進(jìn)行詳細(xì)的分析處理。

設(shè)計(jì)選擇星型雪花型模型，好處是建模簡(jiǎn)單，方便理解，可從多個(gè)維度分析數(shù)據(jù)。從圖3中可以看出，星型雪花型模型的表構(gòu)成有維表與事實(shí)表兩種，用于查詢的信息放在事實(shí)表中，維表可以繼續(xù)擴(kuò)展，成為維表和事實(shí)表的雪花型模型。經(jīng)過(guò)分析處理，系統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)事實(shí)表主要包含養(yǎng)殖基本信息、養(yǎng)殖時(shí)間、養(yǎng)殖地區(qū)、投入成本、約束條件等。事實(shí)表下又含多個(gè)維表：①養(yǎng)殖維表，包括養(yǎng)殖種類、價(jià)格?？赡艹霈F(xiàn)的疾病、飼料等；②時(shí)間維表，包括年度、季度、月份等；③地區(qū)維表，包括地區(qū)名稱、鄉(xiāng)鎮(zhèn)名稱、氣候等；④投入維表，包括水電費(fèi)、醫(yī)藥費(fèi)、飼料費(fèi)、養(yǎng)殖機(jī)械費(fèi)用及其他費(fèi)用等；⑤約束條件維表，包括資源約束、社會(huì)需求約束、生態(tài)環(huán)境約束、行業(yè)關(guān)系約束等。其中養(yǎng)殖維表、地區(qū)維表等還可繼續(xù)細(xì)分，如疾病維表、環(huán)境維表等。

2.3 系統(tǒng)設(shè)計(jì)

設(shè)計(jì)采用綜合決策支持系統(tǒng)，是指新舊決策支持系統(tǒng)相結(jié)合。用于決策的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)中，可通過(guò)聯(lián)機(jī)多維數(shù)據(jù)分析和處理；數(shù)據(jù)挖掘是尋找數(shù)據(jù)庫(kù)與數(shù)據(jù)倉(cāng)庫(kù)中的知識(shí)；模型庫(kù)可組合實(shí)現(xiàn)多個(gè)輔助決策廣義模型；輔助決策的數(shù)據(jù)來(lái)自數(shù)據(jù)庫(kù)；用戶可以運(yùn)用專家系統(tǒng)進(jìn)行推理和分析。這樣形成了綜合決策支持系統(tǒng)，相互作用，各自的優(yōu)勢(shì)能夠很好地輔助決策[4]。系統(tǒng)的結(jié)構(gòu)見(jiàn)圖4。

2.4 數(shù)據(jù)挖掘算法

大量的集成數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)中，而從這些數(shù)據(jù)中挖掘有效和有用的信息進(jìn)行預(yù)測(cè)與分析需多方面技術(shù)的進(jìn)行協(xié)同。數(shù)據(jù)挖掘需要快速、有效的算法，下面給出一個(gè)算法：

1）采用聚類算法歸納整理數(shù)據(jù)。

2）數(shù)據(jù)集劃分成樣本集和修正集，樣本集可列出模型的主要參數(shù)，修正集用來(lái)檢驗(yàn)和校對(duì)模型的主要參數(shù)。

3）評(píng)價(jià)預(yù)測(cè)結(jié)果，同時(shí)修改或調(diào)整模型的主要參數(shù)。

這里給出灰色數(shù)列預(yù)測(cè)模型GM（1，1）[5]，模型是含一個(gè)變量的一階微分方程。設(shè)原始數(shù)列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（進(jìn)行一次累加生成列，弱化隨機(jī)性，強(qiáng)化規(guī)律性）

z（t）=■[y（t）+y（t-1）]（生成均值）

■+ay（t）=u[（建立GM（1，1）模型）]

y（t）=[x（1）-■]e-a（t-1）+■（分離型微分方程特解）

■（t）=■（t-1）2334[（原始數(shù)列X（t）的估計(jì)值（t）數(shù)列）]

對(duì)數(shù)列（t）與X（t）進(jìn)行擬合效果檢驗(yàn)，如果兩者擬合精度高，該模型可應(yīng)用于外推預(yù)測(cè)；如果兩者擬合精度較低，不可直接應(yīng)用于外推預(yù)測(cè)，必須經(jīng)過(guò)殘差修正改進(jìn)后才能進(jìn)行外推預(yù)測(cè)。通過(guò)后驗(yàn)差比值、平均相對(duì)誤差和小誤差概率的檢驗(yàn)，確定數(shù)列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對(duì)誤差）

ε（t）=x（t）-■（t） （殘差計(jì)算）

C=■（驗(yàn)差比值）

P=P[|ε（t）=x（t）-■（t）|<0.6745 S1]（小誤差概率）

根據(jù)精度檢驗(yàn)等級(jí)參照表，得到數(shù)列的擬合優(yōu)度。如果外推預(yù)測(cè)擬合優(yōu)度高，預(yù)測(cè)效果則滿意，可按照下式外推預(yù)測(cè)：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過(guò)灰色數(shù)列預(yù)測(cè)模型GM（1，1）得出的各地區(qū)畜禽養(yǎng)殖數(shù)量曲線圖。圖5中4條不同形狀的曲線分別表示4段不同的時(shí)期，曲線變化表示各個(gè)地區(qū)養(yǎng)殖數(shù)量的同期對(duì)比，而數(shù)據(jù)點(diǎn)在縱軸上的變化情況則可以反映某個(gè)地區(qū)的養(yǎng)殖數(shù)量隨時(shí)間的變化情況。圖5中地區(qū)和時(shí)間的范圍都是可選的，用戶可以通過(guò)簡(jiǎn)單的點(diǎn)拉操作選取自己想要查看的地區(qū)、時(shí)期或者其他維度。圖5中的數(shù)據(jù)還可以通過(guò)表格、柱狀圖、餅圖等形式展示，滿足不同用戶的需求。

2.5 數(shù)據(jù)分析

設(shè)計(jì)數(shù)據(jù)分析采用Oracle11i作為目標(biāo)數(shù)據(jù)倉(cāng)庫(kù)，運(yùn)用Oracle與Warehouse Builde 2.1，實(shí)現(xiàn)操作型數(shù)據(jù)庫(kù)的ETL（抽取、轉(zhuǎn)換、裝載）形成數(shù)據(jù)倉(cāng)庫(kù)。運(yùn)用Borland Delphi開(kāi)發(fā)前臺(tái)，形成具有OLAP分析的功能[6]，決策樹(shù)的分類和FP-樹(shù)關(guān)聯(lián)規(guī)則的挖掘功能[7]是自主開(kāi)發(fā)的。

1）實(shí)現(xiàn)OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件組能夠很好地支持OLAP分析，用戶可運(yùn)用BDE連接Oracle11i數(shù)據(jù)倉(cāng)庫(kù)，采用DecisionSource、DecisionCube、DecisionQue控件獲得數(shù)據(jù)制作形成多維數(shù)據(jù)立方體，用DecisionGrap、DecisionGrid控件分析并顯示結(jié)果，還可使用DecisionPivot控件來(lái)對(duì)數(shù)據(jù)進(jìn)行切片、切塊、上卷和下鉆等。

2）實(shí)現(xiàn)數(shù)據(jù)挖掘。系統(tǒng)的數(shù)據(jù)挖掘模塊完全是自主開(kāi)發(fā)設(shè)計(jì)，分類與關(guān)聯(lián)規(guī)則挖掘功能得到基本實(shí)現(xiàn)[8]。使用ADO存儲(chǔ)和讀取數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)，運(yùn)用C++語(yǔ)言編寫(xiě)數(shù)據(jù)挖掘算法得到動(dòng)態(tài)連接庫(kù)dll文件。在Delphi前臺(tái)界面上，用戶可制定數(shù)據(jù)挖掘任務(wù)，定義能夠完成該任務(wù)的數(shù)據(jù)集，然后通過(guò)數(shù)據(jù)挖掘算法的動(dòng)態(tài)連接庫(kù)方法的調(diào)用實(shí)行處理?，F(xiàn)在通過(guò)規(guī)則的形式（if cl & c2 then r）的使用，給出系統(tǒng)中決策樹(shù)分類和關(guān)聯(lián)規(guī)則挖掘的結(jié)果[9]。

3 小結(jié)與討論

要想建成決策的數(shù)據(jù)倉(cāng)庫(kù)必須具有巨大的數(shù)據(jù)量存儲(chǔ)，而且要發(fā)揮其強(qiáng)大的作用必須具備高層決策分析工具，所以建設(shè)成本普遍較高。在畜禽養(yǎng)殖業(yè)中應(yīng)用還要考慮相關(guān)的基礎(chǔ)、社會(huì)需求和經(jīng)濟(jì)效益等問(wèn)題，所以可先在某個(gè)特定的區(qū)域提取特征參數(shù)進(jìn)行試驗(yàn)，掌握一定規(guī)律量后逐步走向?qū)嵱谩?/p>

伴隨著社會(huì)的進(jìn)步和大數(shù)據(jù)時(shí)代的到來(lái)，在大量數(shù)據(jù)中尋找可用的信息用于決策越來(lái)越重要[10]。畜禽養(yǎng)殖業(yè)類型眾多、復(fù)雜，且疾病癥狀不斷變化，具有大量繁雜的數(shù)據(jù)。傳統(tǒng)的數(shù)據(jù)庫(kù)系統(tǒng)無(wú)法解決原始數(shù)據(jù)精細(xì)提取和不同區(qū)域影響程度變化等問(wèn)題。主要表現(xiàn)為過(guò)往的數(shù)據(jù)量龐大，牽扯各種各樣信息系統(tǒng)的數(shù)據(jù)，而且這樣的數(shù)據(jù)很難集成，對(duì)數(shù)據(jù)處理和訪問(wèn)的能力較低[11]。本研究運(yùn)用數(shù)據(jù)倉(cāng)庫(kù)技術(shù)，根據(jù)畜禽養(yǎng)殖相關(guān)參數(shù)如養(yǎng)殖數(shù)量、市場(chǎng)價(jià)格及飼料量等，找出相應(yīng)的數(shù)學(xué)函數(shù)，直觀方式表現(xiàn)出來(lái)，為畜禽養(yǎng)殖決策提供技術(shù)基礎(chǔ)，同時(shí)也為解決上述問(wèn)題提供了新的思路，從技術(shù)上解決了問(wèn)題。

參考文獻(xiàn)：

[1] 沈春燕，馬 波.數(shù)據(jù)倉(cāng)庫(kù)在漁業(yè)企業(yè)管理中的應(yīng)用研究[J].管理實(shí)踐，2007（12）：35-37.

[2] 彭朝海.基于數(shù)據(jù)倉(cāng)庫(kù)的決策支持系統(tǒng)[J].四川工業(yè)學(xué)院學(xué)報(bào)， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數(shù)據(jù)倉(cāng)庫(kù)中的決策支持[M].北京：北京理工大學(xué)出版社，2001.

[4] 張 杰.數(shù)據(jù)倉(cāng)庫(kù)技術(shù)應(yīng)用研究[J].電子技術(shù)與軟件工程，2014（5）：192.

[5] 周學(xué)全，張志杰，張篤行，等.綜合決策支持系統(tǒng)中數(shù)據(jù)挖掘功能的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制，2010，18（1）：161-163.

[6] 張家愛(ài).數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)決策支持系統(tǒng)中的應(yīng)用[J].吉林農(nóng)業(yè)科技學(xué)院學(xué)報(bào)，2010，19（1）：56-57.

[7] 楊曉玲，張素偉，吳裕樹(shù)，等.基于數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)分析系統(tǒng)研究[J].山西電子技術(shù)，2002（5）：16-19.

[8] 李增祥.數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用[J].微計(jì)算機(jī)信息， 2010，26（6-3）：150-151.

[9] 齊 平，陳 文.數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘在農(nóng)業(yè)輔助決策支持系統(tǒng)中的應(yīng)用[J].銅陵學(xué)院學(xué)報(bào)，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農(nóng)業(yè)結(jié)構(gòu)優(yōu)化決策支持系統(tǒng)的數(shù)據(jù)指標(biāo)體系及數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)[J].農(nóng)業(yè)現(xiàn)代化研究，2002，23（2）：121-123.

[11] 高 巖，吳順麗，安浩平，等.基于數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的會(huì)計(jì)決策支持系統(tǒng)研究[J].河南科學(xué)，2011，29（2）：210-213.

設(shè)計(jì)選擇星型雪花型模型，好處是建模簡(jiǎn)單，方便理解，可從多個(gè)維度分析數(shù)據(jù)。從圖3中可以看出，星型雪花型模型的表構(gòu)成有維表與事實(shí)表兩種，用于查詢的信息放在事實(shí)表中，維表可以繼續(xù)擴(kuò)展，成為維表和事實(shí)表的雪花型模型。經(jīng)過(guò)分析處理，系統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)事實(shí)表主要包含養(yǎng)殖基本信息、養(yǎng)殖時(shí)間、養(yǎng)殖地區(qū)、投入成本、約束條件等。事實(shí)表下又含多個(gè)維表：①養(yǎng)殖維表，包括養(yǎng)殖種類、價(jià)格?？赡艹霈F(xiàn)的疾病、飼料等；②時(shí)間維表，包括年度、季度、月份等；③地區(qū)維表，包括地區(qū)名稱、鄉(xiāng)鎮(zhèn)名稱、氣候等；④投入維表，包括水電費(fèi)、醫(yī)藥費(fèi)、飼料費(fèi)、養(yǎng)殖機(jī)械費(fèi)用及其他費(fèi)用等；⑤約束條件維表，包括資源約束、社會(huì)需求約束、生態(tài)環(huán)境約束、行業(yè)關(guān)系約束等。其中養(yǎng)殖維表、地區(qū)維表等還可繼續(xù)細(xì)分，如疾病維表、環(huán)境維表等。

2.3 系統(tǒng)設(shè)計(jì)

設(shè)計(jì)采用綜合決策支持系統(tǒng)，是指新舊決策支持系統(tǒng)相結(jié)合。用于決策的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)中，可通過(guò)聯(lián)機(jī)多維數(shù)據(jù)分析和處理；數(shù)據(jù)挖掘是尋找數(shù)據(jù)庫(kù)與數(shù)據(jù)倉(cāng)庫(kù)中的知識(shí)；模型庫(kù)可組合實(shí)現(xiàn)多個(gè)輔助決策廣義模型；輔助決策的數(shù)據(jù)來(lái)自數(shù)據(jù)庫(kù)；用戶可以運(yùn)用專家系統(tǒng)進(jìn)行推理和分析。這樣形成了綜合決策支持系統(tǒng)，相互作用，各自的優(yōu)勢(shì)能夠很好地輔助決策[4]。系統(tǒng)的結(jié)構(gòu)見(jiàn)圖4。

2.4 數(shù)據(jù)挖掘算法

大量的集成數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)中，而從這些數(shù)據(jù)中挖掘有效和有用的信息進(jìn)行預(yù)測(cè)與分析需多方面技術(shù)的進(jìn)行協(xié)同。數(shù)據(jù)挖掘需要快速、有效的算法，下面給出一個(gè)算法：

1）采用聚類算法歸納整理數(shù)據(jù)。

2）數(shù)據(jù)集劃分成樣本集和修正集，樣本集可列出模型的主要參數(shù)，修正集用來(lái)檢驗(yàn)和校對(duì)模型的主要參數(shù)。

3）評(píng)價(jià)預(yù)測(cè)結(jié)果，同時(shí)修改或調(diào)整模型的主要參數(shù)。

這里給出灰色數(shù)列預(yù)測(cè)模型GM（1，1）[5]，模型是含一個(gè)變量的一階微分方程。設(shè)原始數(shù)列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（進(jìn)行一次累加生成列，弱化隨機(jī)性，強(qiáng)化規(guī)律性）

z（t）=■[y（t）+y（t-1）]（生成均值）

■+ay（t）=u[（建立GM（1，1）模型）]

y（t）=[x（1）-■]e-a（t-1）+■（分離型微分方程特解）

■（t）=■（t-1）2334[（原始數(shù)列X（t）的估計(jì)值（t）數(shù)列）]

對(duì)數(shù)列（t）與X（t）進(jìn)行擬合效果檢驗(yàn)，如果兩者擬合精度高，該模型可應(yīng)用于外推預(yù)測(cè)；如果兩者擬合精度較低，不可直接應(yīng)用于外推預(yù)測(cè)，必須經(jīng)過(guò)殘差修正改進(jìn)后才能進(jìn)行外推預(yù)測(cè)。通過(guò)后驗(yàn)差比值、平均相對(duì)誤差和小誤差概率的檢驗(yàn)，確定數(shù)列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對(duì)誤差）

ε（t）=x（t）-■（t） （殘差計(jì)算）

C=■（驗(yàn)差比值）

P=P[|ε（t）=x（t）-■（t）|<0.6745 S1]（小誤差概率）

根據(jù)精度檢驗(yàn)等級(jí)參照表，得到數(shù)列的擬合優(yōu)度。如果外推預(yù)測(cè)擬合優(yōu)度高，預(yù)測(cè)效果則滿意，可按照下式外推預(yù)測(cè)：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過(guò)灰色數(shù)列預(yù)測(cè)模型GM（1，1）得出的各地區(qū)畜禽養(yǎng)殖數(shù)量曲線圖。圖5中4條不同形狀的曲線分別表示4段不同的時(shí)期，曲線變化表示各個(gè)地區(qū)養(yǎng)殖數(shù)量的同期對(duì)比，而數(shù)據(jù)點(diǎn)在縱軸上的變化情況則可以反映某個(gè)地區(qū)的養(yǎng)殖數(shù)量隨時(shí)間的變化情況。圖5中地區(qū)和時(shí)間的范圍都是可選的，用戶可以通過(guò)簡(jiǎn)單的點(diǎn)拉操作選取自己想要查看的地區(qū)、時(shí)期或者其他維度。圖5中的數(shù)據(jù)還可以通過(guò)表格、柱狀圖、餅圖等形式展示，滿足不同用戶的需求。

2.5 數(shù)據(jù)分析

設(shè)計(jì)數(shù)據(jù)分析采用Oracle11i作為目標(biāo)數(shù)據(jù)倉(cāng)庫(kù)，運(yùn)用Oracle與Warehouse Builde 2.1，實(shí)現(xiàn)操作型數(shù)據(jù)庫(kù)的ETL（抽取、轉(zhuǎn)換、裝載）形成數(shù)據(jù)倉(cāng)庫(kù)。運(yùn)用Borland Delphi開(kāi)發(fā)前臺(tái)，形成具有OLAP分析的功能[6]，決策樹(shù)的分類和FP-樹(shù)關(guān)聯(lián)規(guī)則的挖掘功能[7]是自主開(kāi)發(fā)的。

1）實(shí)現(xiàn)OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件組能夠很好地支持OLAP分析，用戶可運(yùn)用BDE連接Oracle11i數(shù)據(jù)倉(cāng)庫(kù)，采用DecisionSource、DecisionCube、DecisionQue控件獲得數(shù)據(jù)制作形成多維數(shù)據(jù)立方體，用DecisionGrap、DecisionGrid控件分析并顯示結(jié)果，還可使用DecisionPivot控件來(lái)對(duì)數(shù)據(jù)進(jìn)行切片、切塊、上卷和下鉆等。

2）實(shí)現(xiàn)數(shù)據(jù)挖掘。系統(tǒng)的數(shù)據(jù)挖掘模塊完全是自主開(kāi)發(fā)設(shè)計(jì)，分類與關(guān)聯(lián)規(guī)則挖掘功能得到基本實(shí)現(xiàn)[8]。使用ADO存儲(chǔ)和讀取數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)，運(yùn)用C++語(yǔ)言編寫(xiě)數(shù)據(jù)挖掘算法得到動(dòng)態(tài)連接庫(kù)dll文件。在Delphi前臺(tái)界面上，用戶可制定數(shù)據(jù)挖掘任務(wù)，定義能夠完成該任務(wù)的數(shù)據(jù)集，然后通過(guò)數(shù)據(jù)挖掘算法的動(dòng)態(tài)連接庫(kù)方法的調(diào)用實(shí)行處理?，F(xiàn)在通過(guò)規(guī)則的形式（if cl & c2 then r）的使用，給出系統(tǒng)中決策樹(shù)分類和關(guān)聯(lián)規(guī)則挖掘的結(jié)果[9]。

3 小結(jié)與討論

要想建成決策的數(shù)據(jù)倉(cāng)庫(kù)必須具有巨大的數(shù)據(jù)量存儲(chǔ)，而且要發(fā)揮其強(qiáng)大的作用必須具備高層決策分析工具，所以建設(shè)成本普遍較高。在畜禽養(yǎng)殖業(yè)中應(yīng)用還要考慮相關(guān)的基礎(chǔ)、社會(huì)需求和經(jīng)濟(jì)效益等問(wèn)題，所以可先在某個(gè)特定的區(qū)域提取特征參數(shù)進(jìn)行試驗(yàn)，掌握一定規(guī)律量后逐步走向?qū)嵱谩?/p>

伴隨著社會(huì)的進(jìn)步和大數(shù)據(jù)時(shí)代的到來(lái)，在大量數(shù)據(jù)中尋找可用的信息用于決策越來(lái)越重要[10]。畜禽養(yǎng)殖業(yè)類型眾多、復(fù)雜，且疾病癥狀不斷變化，具有大量繁雜的數(shù)據(jù)。傳統(tǒng)的數(shù)據(jù)庫(kù)系統(tǒng)無(wú)法解決原始數(shù)據(jù)精細(xì)提取和不同區(qū)域影響程度變化等問(wèn)題。主要表現(xiàn)為過(guò)往的數(shù)據(jù)量龐大，牽扯各種各樣信息系統(tǒng)的數(shù)據(jù)，而且這樣的數(shù)據(jù)很難集成，對(duì)數(shù)據(jù)處理和訪問(wèn)的能力較低[11]。本研究運(yùn)用數(shù)據(jù)倉(cāng)庫(kù)技術(shù)，根據(jù)畜禽養(yǎng)殖相關(guān)參數(shù)如養(yǎng)殖數(shù)量、市場(chǎng)價(jià)格及飼料量等，找出相應(yīng)的數(shù)學(xué)函數(shù)，直觀方式表現(xiàn)出來(lái)，為畜禽養(yǎng)殖決策提供技術(shù)基礎(chǔ)，同時(shí)也為解決上述問(wèn)題提供了新的思路，從技術(shù)上解決了問(wèn)題。

參考文獻(xiàn)：

[1] 沈春燕，馬 波.數(shù)據(jù)倉(cāng)庫(kù)在漁業(yè)企業(yè)管理中的應(yīng)用研究[J].管理實(shí)踐，2007（12）：35-37.

[2] 彭朝海.基于數(shù)據(jù)倉(cāng)庫(kù)的決策支持系統(tǒng)[J].四川工業(yè)學(xué)院學(xué)報(bào)， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數(shù)據(jù)倉(cāng)庫(kù)中的決策支持[M].北京：北京理工大學(xué)出版社，2001.

[4] 張 杰.數(shù)據(jù)倉(cāng)庫(kù)技術(shù)應(yīng)用研究[J].電子技術(shù)與軟件工程，2014（5）：192.

[5] 周學(xué)全，張志杰，張篤行，等.綜合決策支持系統(tǒng)中數(shù)據(jù)挖掘功能的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制，2010，18（1）：161-163.

[6] 張家愛(ài).數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)決策支持系統(tǒng)中的應(yīng)用[J].吉林農(nóng)業(yè)科技學(xué)院學(xué)報(bào)，2010，19（1）：56-57.

[7] 楊曉玲，張素偉，吳裕樹(shù)，等.基于數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)分析系統(tǒng)研究[J].山西電子技術(shù)，2002（5）：16-19.

[8] 李增祥.數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用[J].微計(jì)算機(jī)信息， 2010，26（6-3）：150-151.

[9] 齊 平，陳 文.數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘在農(nóng)業(yè)輔助決策支持系統(tǒng)中的應(yīng)用[J].銅陵學(xué)院學(xué)報(bào)，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農(nóng)業(yè)結(jié)構(gòu)優(yōu)化決策支持系統(tǒng)的數(shù)據(jù)指標(biāo)體系及數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)[J].農(nóng)業(yè)現(xiàn)代化研究，2002，23（2）：121-123.

[11] 高 巖，吳順麗，安浩平，等.基于數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的會(huì)計(jì)決策支持系統(tǒng)研究[J].河南科學(xué)，2011，29（2）：210-213.

設(shè)計(jì)選擇星型雪花型模型，好處是建模簡(jiǎn)單，方便理解，可從多個(gè)維度分析數(shù)據(jù)。從圖3中可以看出，星型雪花型模型的表構(gòu)成有維表與事實(shí)表兩種，用于查詢的信息放在事實(shí)表中，維表可以繼續(xù)擴(kuò)展，成為維表和事實(shí)表的雪花型模型。經(jīng)過(guò)分析處理，系統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)事實(shí)表主要包含養(yǎng)殖基本信息、養(yǎng)殖時(shí)間、養(yǎng)殖地區(qū)、投入成本、約束條件等。事實(shí)表下又含多個(gè)維表：①養(yǎng)殖維表，包括養(yǎng)殖種類、價(jià)格?？赡艹霈F(xiàn)的疾病、飼料等；②時(shí)間維表，包括年度、季度、月份等；③地區(qū)維表，包括地區(qū)名稱、鄉(xiāng)鎮(zhèn)名稱、氣候等；④投入維表，包括水電費(fèi)、醫(yī)藥費(fèi)、飼料費(fèi)、養(yǎng)殖機(jī)械費(fèi)用及其他費(fèi)用等；⑤約束條件維表，包括資源約束、社會(huì)需求約束、生態(tài)環(huán)境約束、行業(yè)關(guān)系約束等。其中養(yǎng)殖維表、地區(qū)維表等還可繼續(xù)細(xì)分，如疾病維表、環(huán)境維表等。

2.3 系統(tǒng)設(shè)計(jì)

設(shè)計(jì)采用綜合決策支持系統(tǒng)，是指新舊決策支持系統(tǒng)相結(jié)合。用于決策的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)中，可通過(guò)聯(lián)機(jī)多維數(shù)據(jù)分析和處理；數(shù)據(jù)挖掘是尋找數(shù)據(jù)庫(kù)與數(shù)據(jù)倉(cāng)庫(kù)中的知識(shí)；模型庫(kù)可組合實(shí)現(xiàn)多個(gè)輔助決策廣義模型；輔助決策的數(shù)據(jù)來(lái)自數(shù)據(jù)庫(kù)；用戶可以運(yùn)用專家系統(tǒng)進(jìn)行推理和分析。這樣形成了綜合決策支持系統(tǒng)，相互作用，各自的優(yōu)勢(shì)能夠很好地輔助決策[4]。系統(tǒng)的結(jié)構(gòu)見(jiàn)圖4。

2.4 數(shù)據(jù)挖掘算法

大量的集成數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)中，而從這些數(shù)據(jù)中挖掘有效和有用的信息進(jìn)行預(yù)測(cè)與分析需多方面技術(shù)的進(jìn)行協(xié)同。數(shù)據(jù)挖掘需要快速、有效的算法，下面給出一個(gè)算法：

1）采用聚類算法歸納整理數(shù)據(jù)。

2）數(shù)據(jù)集劃分成樣本集和修正集，樣本集可列出模型的主要參數(shù)，修正集用來(lái)檢驗(yàn)和校對(duì)模型的主要參數(shù)。

3）評(píng)價(jià)預(yù)測(cè)結(jié)果，同時(shí)修改或調(diào)整模型的主要參數(shù)。

這里給出灰色數(shù)列預(yù)測(cè)模型GM（1，1）[5]，模型是含一個(gè)變量的一階微分方程。設(shè)原始數(shù)列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（進(jìn)行一次累加生成列，弱化隨機(jī)性，強(qiáng)化規(guī)律性）

z（t）=■[y（t）+y（t-1）]（生成均值）

■+ay（t）=u[（建立GM（1，1）模型）]

y（t）=[x（1）-■]e-a（t-1）+■（分離型微分方程特解）

■（t）=■（t-1）2334[（原始數(shù)列X（t）的估計(jì)值（t）數(shù)列）]

對(duì)數(shù)列（t）與X（t）進(jìn)行擬合效果檢驗(yàn)，如果兩者擬合精度高，該模型可應(yīng)用于外推預(yù)測(cè)；如果兩者擬合精度較低，不可直接應(yīng)用于外推預(yù)測(cè)，必須經(jīng)過(guò)殘差修正改進(jìn)后才能進(jìn)行外推預(yù)測(cè)。通過(guò)后驗(yàn)差比值、平均相對(duì)誤差和小誤差概率的檢驗(yàn)，確定數(shù)列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對(duì)誤差）

ε（t）=x（t）-■（t） （殘差計(jì)算）

C=■（驗(yàn)差比值）

P=P[|ε（t）=x（t）-■（t）|<0.6745 S1]（小誤差概率）

根據(jù)精度檢驗(yàn)等級(jí)參照表，得到數(shù)列的擬合優(yōu)度。如果外推預(yù)測(cè)擬合優(yōu)度高，預(yù)測(cè)效果則滿意，可按照下式外推預(yù)測(cè)：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過(guò)灰色數(shù)列預(yù)測(cè)模型GM（1，1）得出的各地區(qū)畜禽養(yǎng)殖數(shù)量曲線圖。圖5中4條不同形狀的曲線分別表示4段不同的時(shí)期，曲線變化表示各個(gè)地區(qū)養(yǎng)殖數(shù)量的同期對(duì)比，而數(shù)據(jù)點(diǎn)在縱軸上的變化情況則可以反映某個(gè)地區(qū)的養(yǎng)殖數(shù)量隨時(shí)間的變化情況。圖5中地區(qū)和時(shí)間的范圍都是可選的，用戶可以通過(guò)簡(jiǎn)單的點(diǎn)拉操作選取自己想要查看的地區(qū)、時(shí)期或者其他維度。圖5中的數(shù)據(jù)還可以通過(guò)表格、柱狀圖、餅圖等形式展示，滿足不同用戶的需求。

2.5 數(shù)據(jù)分析

設(shè)計(jì)數(shù)據(jù)分析采用Oracle11i作為目標(biāo)數(shù)據(jù)倉(cāng)庫(kù)，運(yùn)用Oracle與Warehouse Builde 2.1，實(shí)現(xiàn)操作型數(shù)據(jù)庫(kù)的ETL（抽取、轉(zhuǎn)換、裝載）形成數(shù)據(jù)倉(cāng)庫(kù)。運(yùn)用Borland Delphi開(kāi)發(fā)前臺(tái)，形成具有OLAP分析的功能[6]，決策樹(shù)的分類和FP-樹(shù)關(guān)聯(lián)規(guī)則的挖掘功能[7]是自主開(kāi)發(fā)的。

1）實(shí)現(xiàn)OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件組能夠很好地支持OLAP分析，用戶可運(yùn)用BDE連接Oracle11i數(shù)據(jù)倉(cāng)庫(kù)，采用DecisionSource、DecisionCube、DecisionQue控件獲得數(shù)據(jù)制作形成多維數(shù)據(jù)立方體，用DecisionGrap、DecisionGrid控件分析并顯示結(jié)果，還可使用DecisionPivot控件來(lái)對(duì)數(shù)據(jù)進(jìn)行切片、切塊、上卷和下鉆等。

2）實(shí)現(xiàn)數(shù)據(jù)挖掘。系統(tǒng)的數(shù)據(jù)挖掘模塊完全是自主開(kāi)發(fā)設(shè)計(jì)，分類與關(guān)聯(lián)規(guī)則挖掘功能得到基本實(shí)現(xiàn)[8]。使用ADO存儲(chǔ)和讀取數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)，運(yùn)用C++語(yǔ)言編寫(xiě)數(shù)據(jù)挖掘算法得到動(dòng)態(tài)連接庫(kù)dll文件。在Delphi前臺(tái)界面上，用戶可制定數(shù)據(jù)挖掘任務(wù)，定義能夠完成該任務(wù)的數(shù)據(jù)集，然后通過(guò)數(shù)據(jù)挖掘算法的動(dòng)態(tài)連接庫(kù)方法的調(diào)用實(shí)行處理。現(xiàn)在通過(guò)規(guī)則的形式（if cl & c2 then r）的使用，給出系統(tǒng)中決策樹(shù)分類和關(guān)聯(lián)規(guī)則挖掘的結(jié)果[9]。

3 小結(jié)與討論

要想建成決策的數(shù)據(jù)倉(cāng)庫(kù)必須具有巨大的數(shù)據(jù)量存儲(chǔ)，而且要發(fā)揮其強(qiáng)大的作用必須具備高層決策分析工具，所以建設(shè)成本普遍較高。在畜禽養(yǎng)殖業(yè)中應(yīng)用還要考慮相關(guān)的基礎(chǔ)、社會(huì)需求和經(jīng)濟(jì)效益等問(wèn)題，所以可先在某個(gè)特定的區(qū)域提取特征參數(shù)進(jìn)行試驗(yàn)，掌握一定規(guī)律量后逐步走向?qū)嵱谩?/p>

伴隨著社會(huì)的進(jìn)步和大數(shù)據(jù)時(shí)代的到來(lái)，在大量數(shù)據(jù)中尋找可用的信息用于決策越來(lái)越重要[10]。畜禽養(yǎng)殖業(yè)類型眾多、復(fù)雜，且疾病癥狀不斷變化，具有大量繁雜的數(shù)據(jù)。傳統(tǒng)的數(shù)據(jù)庫(kù)系統(tǒng)無(wú)法解決原始數(shù)據(jù)精細(xì)提取和不同區(qū)域影響程度變化等問(wèn)題。主要表現(xiàn)為過(guò)往的數(shù)據(jù)量龐大，牽扯各種各樣信息系統(tǒng)的數(shù)據(jù)，而且這樣的數(shù)據(jù)很難集成，對(duì)數(shù)據(jù)處理和訪問(wèn)的能力較低[11]。本研究運(yùn)用數(shù)據(jù)倉(cāng)庫(kù)技術(shù)，根據(jù)畜禽養(yǎng)殖相關(guān)參數(shù)如養(yǎng)殖數(shù)量、市場(chǎng)價(jià)格及飼料量等，找出相應(yīng)的數(shù)學(xué)函數(shù)，直觀方式表現(xiàn)出來(lái)，為畜禽養(yǎng)殖決策提供技術(shù)基礎(chǔ)，同時(shí)也為解決上述問(wèn)題提供了新的思路，從技術(shù)上解決了問(wèn)題。

參考文獻(xiàn)：

[1] 沈春燕，馬 波.數(shù)據(jù)倉(cāng)庫(kù)在漁業(yè)企業(yè)管理中的應(yīng)用研究[J].管理實(shí)踐，2007（12）：35-37.

[2] 彭朝海.基于數(shù)據(jù)倉(cāng)庫(kù)的決策支持系統(tǒng)[J].四川工業(yè)學(xué)院學(xué)報(bào)， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數(shù)據(jù)倉(cāng)庫(kù)中的決策支持[M].北京：北京理工大學(xué)出版社，2001.

[4] 張 杰.數(shù)據(jù)倉(cāng)庫(kù)技術(shù)應(yīng)用研究[J].電子技術(shù)與軟件工程，2014（5）：192.

[5] 周學(xué)全，張志杰，張篤行，等.綜合決策支持系統(tǒng)中數(shù)據(jù)挖掘功能的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制，2010，18（1）：161-163.

[6] 張家愛(ài).數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)決策支持系統(tǒng)中的應(yīng)用[J].吉林農(nóng)業(yè)科技學(xué)院學(xué)報(bào)，2010，19（1）：56-57.

[7] 楊曉玲，張素偉，吳裕樹(shù)，等.基于數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)分析系統(tǒng)研究[J].山西電子技術(shù)，2002（5）：16-19.

[8] 李增祥.數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用[J].微計(jì)算機(jī)信息， 2010，26（6-3）：150-151.

[9] 齊 平，陳 文.數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘在農(nóng)業(yè)輔助決策支持系統(tǒng)中的應(yīng)用[J].銅陵學(xué)院學(xué)報(bào)，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農(nóng)業(yè)結(jié)構(gòu)優(yōu)化決策支持系統(tǒng)的數(shù)據(jù)指標(biāo)體系及數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)[J].農(nóng)業(yè)現(xiàn)代化研究，2002，23（2）：121-123.

[11] 高 巖，吳順麗，安浩平，等.基于數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的會(huì)計(jì)決策支持系統(tǒng)研究[J].河南科學(xué)，2011，29（2）：210-213.