一、数据仓库与决策支持系统(论文文献综述)
李英楠[1](2020)在《基于Hive的购销数据仓库系统的设计与实现》文中进行了进一步梳理科学技术的发展带来了人们生活办公方式的转变,当今时代所倡导的人工智能,大数据等技术的发展都以数据作为基石。数据的价值在生活的方方面面都日益明显,而对于一个企业来说数据的价值更是在一个企业当中扮演着至关重要的角色,企业在日常经营与生产中积累了海量的数据,数据进入了DT时代,如何合理地处理和利用这些数据成了所有企业所关心的重要问题。大数据技术在这种背景下孕育而生,并在潮流之中稳步向前发展,在大数据的浪潮之中,Hadoop技术脱颖而出,并得到了学术界和工业界的广泛认可,Hadoop集群之上的开源数据仓库应用Hive具有模式自由、扩展性高和容错性高等特点,能够很好的为企业级数据仓库的建设提供服务,因此,越来越多的企业开始考虑如何很好地利用Hive数据仓库带来的优势,创建自己企业的数据仓库,使自身的信息化建设迈上一个新的台阶。数据仓库是一个面向主题,经过加工和集成,相对稳定并且随时间变化的数据集合,然而传统数据仓库扩展性、容错性等较低,处理大规模数据效果非常差劲,使数据仓库完全脱离了时代的潮流,发挥不出应有的功能。在数据仓库中,查询是其所有操作的重要组成部分,数据仓库中的数据会长期存在,方便用户直接进行查询操作。大数据背景下,新的数据仓库建设方案迫在眉睫。针对上面所提出的问题本文提出了一种大数据时代下新的数据仓库建设思路,更好的服务于当今社会背景下的企业的信息化建设。企业数据仓库为企业提供数据支持,方便企业更好地进行数据管理和数据挖掘工作,是企业信息化建设的核心所在。文章以数据仓库建设的背景和意义作为文章的开始,而后深刻地分析了现在国内外对数据仓库技术的研究成果,在对现有技术的研究之上,本文采用自动化的数据处理技术和新颖的数据分层思想,并且对目标系统进行了需求分析和设计得知数据处理、数据建模、数据仓库管理和可视化是我们目标系统的四个重要组成部分。因此本文的主要研究内容有:1、数据处理使用Hadoop平台,Hadoop为数据仓库提供高效且廉价的数据处理平台,利用Hive sql方便了数据处理流程,并且自主设计使用SHELL脚本实现了ETL自动化过程,通过实验分析得出最佳线程数,使用Yarn来进行资源管理提高数据仓库的稳定性和扩展性,并且利用Map Reduce并行计算的优势,能够很好地支持企业大规模数据的处理。2、数据建模数据建模的核心是逐层解耦。越到底层越接近业务发生的记录,越到上层,越接近业务目标。数据仓库的建设使用维度建模法,在建模的同时设计数据分层,使数据变得更加可靠,数据结构更加明确,方便我们对数据进行血缘追踪,为数据开发提供极大的便利。3、可视化部分利用spring MVC+spring+mybatis+Echars作为整个系统的框架,向企业展示他们所关心的关键购销数据。4、测试部分针对各个功能模块设计了相应的测试用例。根据我们所设计的测试用例对系统的性能、功能以及安全性进行测试,测试结果在我们的预料之中,系统运转正常。
许诗怡[2](2020)在《森林资源数据仓库管理系统研建与数据分析应用技术研究》文中研究说明本研究首先论述了森林资源异构数据集成以及数据仓库技术在林业上的研究现状。森林资源数据仓库在实际应用中还面临着以下两大问题:一是数据存储存在差异,且数据表中的统计字段名称、类型、代码等的表达形式也存在差异;二是数据存储的差异性造成数据利用率不高,深层次的多维分析、数据挖掘等是基于规范化的数据进行的。针对这些问题,研究以历史上存储的森林资源数据为基础,针对森林生产功能分析、适地适树规则提取、生长收获预测模型拟合等的分析需求,设计建立了两个数据仓库:森林资源小班数据仓库以及标准地/样地数据仓库,并完成对两个数据仓库事实表、维度表字段结构的详细设计。通过对ETL技术的研究,实现对森林资源异构数据源的抽取、清洗和转换,并将处理后的规范化数据存储在目标数据仓库中进行统一管理。在此基础上,研建一个基于B/S体系架构的森林资源数据仓库管理系统。系统的主要功能包括异构数据源获取、森林资源异构数据的清洗转换、森林资源数据多维分析、数据挖掘等。本研究高效的利用已有的森林资源数据可以为林场等经营单位提供生长收获、抚育间伐、规则提取等方面的决策支持。
夏明慧[3](2020)在《林业企业商务智能系统研建 ——以林口林业局有限公司为例》文中研究说明我国的国有林业局既承担着生态文明建设的主体责任,也肩负着产业建设的艰巨任务。在国家着力推动林业现代化发展、促进生态文明建设的大背景下,提升国有林业局信息化建设管理水平迫在眉睫。目前我国林业企业信息化建设仍存在“信息孤岛”和“建设分层”等诸多问题,急需新的信息技术进一步深化信息化建设。云计算和商务智能等技术提供了新的方法和工具,研建一套林业企业商务智能系统能有效解决林业企业信息化建设中所面临的困难和挑战。本文在软件工程学、林业企业管理、森林可持续经营等理论基础和云计算、商务智能应用技术、ETL技术等关键技术的指导下,采用文献研究法、实地调研法和案例研究法等方法,以黑龙江省林口林业局有限公司为例对林业企业商务智能系统进行了系统性研究,以期为之后的相关研究抛砖引玉。本文按照需求分析、系统设计、系统实现、应用分析的主体逻辑进行阐述:需求分析包括业务需求、功能需求、数据需求和性能需求;系统设计部分完成了商务智能平台选择、系统四层架构设计、三大主体功能设计、双层数据库模型设计以及ETL过程设计;随后利用开源商务智能平台Pentaho开发实现基于B/S架构的林业企业商务智能系统;最后结合案例企业实际,对系统的应用价值进行分析。目前该商务智能系统运行在云环境中,采用Saa S云计算的形式为终端用户提供服务。本文的研究表明:(1)商务智能技术能有效解决林业企业信息化建设中的“信息孤岛”和“建设分层”等问题,深化信息系统建设;(2)林业企业商务智能系统的应用能够显着提升林口林业局的业务洞察能力、风险监控能力、综合感知能力和科学决策能力。
肖聪[4](2020)在《智能财务决策支持系统构建及应用研究 ——以JSNK集团公司为例》文中研究表明大数据、人工智能、移动互联、云计算、物联网等新一代信息技术推动着经济的飞速发展,财务信息系统特别是用于财务分析与风险管控的智能财务分析与决策系统应用对于企业具有重要的意义。企业如何从激烈的行业竞争中脱颖而出,充分利用信息技术革命加强企业管理提高企业竞争力,是企业所需要,也是管理者迫切想要实现的。本文从财务智能的内涵出发,通过理论与系统的构成研究发现,大数据融合的智能财务决策支持系统可以集成多源异构数据、进行多维度财务分析与可视化展现、洞察经营与财务状况、对标历史与行业竞争力、预测未来发展以及管控财务风险,是适合企业尤其是大型的集团公司实现全方位的财务处理、分析、对标、预测、风险管控的合理途径,满足了集团企业财务智能化需求。本文选取JSNK集团公司研究发现,JSNK集团公司实现了智能财务预测、洞察、对标和风控,在系统功能模块上对应为智能驾驶仓、智慧报表、智能财务分析报告与智能交互、智能对标(行业对标、历史对标、预算对标、同省国资企业对标等)、风险预警与管控以及财务预测。系统上线近5年,现运行良好,大大提高了财务分析效率和质量,更好的辅助企业管理者决策。最后,本文通过总结该系统上线后取得的成效分析和存在的问题,参照理论架构与实际应用情况,从数据源层,智能化程度、对标标准、财务动量与分析等角度对未来系统设计进行思考和展望。
王位明[5](2020)在《数据挖掘技术在高校教育投入中的应用研究》文中进行了进一步梳理2018年3月2日,教育部在京联合召开了支持和启动关于提升中西部高等教育改革与发展的座谈会,部署和启动了部省高校合建的工作:通过实施部省合建方式支持中西部14所高校。这14所大多处于中西部地区和经济比较欠发达的地区,是党和国家为了促进和支持这些国家和地区的发展和改革而做出的战略性举措。为了更清晰的展现14所高校的发展情况,对后续的改革方向提供参考,通过数据挖掘技术对14所高校的教育投入的情况进行研究。本文主要通过OLAM(联机分析挖掘)技术对14所高校教育投入项目展开了应用研究,OLAM技术是OLAP(联机分析处理)技术和DM(数据挖掘)技术的结合。首先对OLAM技术的内容和关键技术的展开了理论研究,同时为了适应不同的使用场景,探讨了两种模式下(B/S架构和C/S架构)的OLAM模型,并进行了分析比对。为了更好的对数据进行分析处理,创建了本项目的数据资源仓库。与此同时,为了让本项目得到更好的使用,分析设计了 OLAM技术基础上的项目DSS(决策支持系统)架构体系,并对OLAM技术在本项目中的应用实践进行了阐述。通过OLAM技术,本文对14所高校的生均费用进行了挖掘分析,得出一些有价值的信息,可以在一定程度上为14所高校的经费使用情况以及进一步推进高校改革提供支持决策作用。
游骏鹏[6](2020)在《基于数据仓库的企业决策支持系统的设计与实现》文中认为随着信息技术的发展和大数据时代的到来,传统的依赖于决策者的经验和直觉来判断、制定决策的方式受到了挑战,急需借助量化的方式为公司的决策者提供客观信息支持从而辅助决策。此外,公司内部使用的传统手工报表的工作方式在数据的协作、共享和维持一致性方面存在交流成本较大的问题。因此,开发一套基于数据仓库的企业决策支持系统,以数据展现的方式为公司人员提供信息支持和决策辅助。本项目基于Hadoop分布式集群和J2EE(Java 2 Platform Enterprise Edition)架构,提供了一套完整的数据解决方案。项目总体上分为数据获取、数据存储与处理、数据应用三大部分:在前两部分,进行数据仓库的构建,依赖Hadoop的计算能力,将数据的ETL(Extract-Transform-Load,数据抽取、转化、加载)操作贯穿于整个数据流程中;数据应用部分则是通过数据分析手段定义模型,根据模型对经过计算的数据通过Spring Boot等开发框架进行基于维度选择的报表展现。项目在面向用户的角度上分为文件上传、工作日历、用户分析、招聘分析、运营统计和权限控制六大功能模块,每个模块根据需求又分为若干子模块,以这些功能为公司人员提供信息和决策支持,从而促进企业的发展和经营效益的获取。本人参与了项目完整流程的开发,并依据软件工程思想和软件工程开发流程撰写了此论文。在本论文中,笔者首先描绘该企业决策支持系统的建设背景,然后对开发中使用的相关技术进行介绍,说明了系统实现的可行性。然后,通过对资源和用户的识别,进行了系统的功能性和非功能性需求分析。之后,在概要设计阶段,从总体架构、模块架构和数据库设计三方向对系统进行宏观上的构建。再在上述工作基础上,进行系统细节上的详细设计的探索说明,并通过代码转换为项目。最后,以系统的功能性和非功能性测试为系统上线作最后把关。
杨廷宇[7](2020)在《跨区域综合交通应急调度辅助决策系统研究》文中指出突发事件因其突发性、不可预见性和扩散性,会对人民生命财产安全造成巨大损失。伴随省、市区域间的联系日益紧密,突发事件的复杂性和社会联系性也逐步增强。然而,由于不同行政区域、运输方式在管理、通讯等方面存在壁垒,应急资源调度往往仅能在本区域内进行,已越来越不能适应社会发展变化。如何基于综合交通运输网络,实现应急物资跨区域快速、科学调度成为保障人民生命财产安全和维护社会稳定的现实需要。本文在充分研究应急调度相关理论的基础上,分析了跨区域综合交通应急调度的流程与特征,确定了系统功能需求、数据需求及性能需求。基于需求分析开展系统设计,将系统划分为综合交通应急资源数据仓库、跨区域应急物资联运辅助决策平台两大组成部分,提出相应的技术解决方案。论文的主要研究内容及成果包括:1、跨区域综合交通应急调度基础理论研究。首先阐述各运输方式在突发事件下的应急处置模式,在明确“区域”概念及范围的基础上确定了跨区域综合交通应急调度适用范围、维度、任务主体等要素,研究了应急调度优化模型及算法,最后分析了辅助决策系统在应急调度业务中的功能定位;2、针对应急物资调度方案生成这一系统关键问题,本文在分析多智能体系统优势和适应性的基础上,提出了基于多智能体的跨区域综合交通应急调度技术,把受灾点和广泛分布于全国范围内的应急物资储备中心两类物理实体分别模拟为需求点智能体和出救点智能体,通过定义互动规则实现智能体间“求救—出救”行为的产生,从而简化了原本复杂的多源多汇任务指派问题。此外,还研究了出救点智能体应急联运路径规划模型,对比了Dijkstra算法和ACO蚁群算法在求解结果和质量上的差异。3、系统需求分析与设计。论文基于系统业务流程及特征分析结果,确定了应急资源盘点、应急调度方案决策、应急辅助管理、基础信息管理等系统功能需求,高效集成与流转的系统数据需求,以及包含性能指标、设施设备和运行环境等三个方面信息的系统性能需求。基于系统需求分析结果,提出系统总体架构,设计系统内部接口和外部接口,将系统划分综合交通应急资源数据仓库、跨区域应急物资联运辅助决策平台两大部分,展开详细设计。综合交通应急资源数据仓库综合集成综合交通运输资源数据、应急物资储备信息,跨区域应急物资联运辅助决策平台则基于综合交通应急资源数据仓库,为应急调度任务事前、事中、事后三阶段全周期提供决策支持。
田晚彤[8](2019)在《数据仓库和联机分析在医院数据决策分析的研究和应用》文中认为很多医院非常注重医疗服务信息化建设,医疗信息系统的大量应用提高了诊治过程和医疗服务的透明度,医疗质量得到较大提升。使用很长时间之后,这些系统中存在着大量数据,虽然这些历史数据与不断产生的新的数据之间还存在着关联性,但是因为受系统功能限制,数据并没有得到充分利用,其价值被忽视和浪费。因此,对于医院管理系统中的历史医疗数据进行数据清理,多维分析医疗业务并为管理者提供有价值的决策支持信息,成为各医疗机构开始重视的问题。本文研究了当前医院管理信息系统在数据使用中存在的问题,经过实地调研,了解了医院管理者的具体业务需求,利用数据仓库技术和联机分析技术设计数据仓库模型并对进行数据清理和分析。具体的解决方案是首先确定数据仓库主题,设计并搭建了数据仓库逻辑模型;其次,利用数据仓库数据清理工具对医院管理信息系统数据进行数据清理;然后,依据数据仓库主题,利用联机分析技术分析了医院管理者所关注的一些医院业务,结合SQL Server Analysis Services工具以图形化形式展示数据分析结果;最后,据此提出一些决策支持建议,为管理者的科学决策提供数据支持。本文设计的基于联机分析技术的数据仓库在运行期间表现良好,对医院管理信息系统多年积累的数据重新进行了数据清理,将医院业务中存在的业务需求以图形方式清晰展示给医院管理者,极大方便了用户从医院管理信息系统历史数据中发现有价值的信息,同时为医院管理者提供决策建议,具有较好的实用价值。
白秀显[9](2019)在《基于决策树算法的高校招生数据挖掘与可视化系统的设计与实现》文中提出近年来,随着我国高等教育向普及化教育的发展转变,高校招生规模逐年在扩大,而参加高考的考生数量持续在下降,因此高校间的招生竞争压力不断加大,如何提高考生报到率和生源质量,已成为各大高校可持续发展的关键所在。虽然每年的招生数据库中积累了大量的学生数据,但是大部分院校只是简单的完成了数据统计和存储功能,并没有利用信息化的平台为招生提供帮助。从而利用信息化技术水平提高录取学生的报到率,是高校面临的新问题。针对这一现状,本文设计了一个利用数据挖掘的可视化招生信息系统。本系统是利用数据挖掘决策树算法与可视化技术实现的高校招生信息管理信息系统,以C#、SQL、R等作为开发语言,以ASP.NET作为开发的技术基础,通过SQL Server Reporting Services(SSRS)建立了招生信息数据仓库与OLAP功能部分,通过R语言,实现了基于决策树的招生信息数据挖掘与分析功能,最后利用R+Shiny、Echarts等技术实现了招生数据挖掘与可视化功能。该系统主要由数据仓库与OLAP,前端信息管理模块、数据分析与可视化功能等功能构成。采用B/S架构模式,通过动态网页技术、机器学习算法和可视化手段实现了一个完整的高校招生信息的数据挖掘与决策平台。本系统包含了基本信息功能、查询功能、统计报表功能、决策分析功能、信息可视化功能以及系统管理功能等。通过该系统的设计,初步实现了高校招生信息管理工作的招生信息收集、筛选与统计、加工与传递、数据挖掘与决策、可视化等功能,并切实为大数据时代的高校在招生规划与决策,专业设置等方面提供了有效的信息助力。
李嘉欢[10](2019)在《人工智能下财务决策支持系统的机制与实施路径研究》文中认为财务决策质量对企业未来发展至关重要,但其受到决策有用信息完整性和决策者主观因素等的影响,往往具有不稳定性。为了解决这个问题,随着计算机技术的发展,财务决策支持系统应运而生,这在一定程度上改善了财务决策质量,但通过本文的调查研究发现,现有财务决策支持系统应用范围尚不广泛,并且存在着智能化程度不足、决策效率和效果欠佳和应用成本偏高等问题,并不能完全满足决策者的需求。近年来,人工智能技术的高速发展为这些问题的解决提供了新思路。人工智能技术包含的深度学习和自主学习、自然语言处理以及数据挖掘、推理感知等技术,可以帮助决策者全面且高效地理解决策问题,了解决策环境并制定决策方案。因此将人工智能技术应用于财务决策支持系统中,能够进一步提升财务决策质量。为了有效提高企业财务决策质量,推动人工智能技术与财务领域的深度融合,构建人工智能下财务决策支持系统是大势所趋。为了在理论上对人工智能下财务决策支持系统的构建奠定基础,从而更好地指导其在实践中的建设和应用,本文对其机制和实施路径进行了深入研究。本文以财务决策原理、有限理性理论、信息不对称理论和人工智能技术作为理论基础,采用调查问卷辅以实地调研的方式对现有财务决策支持系统的应用现状及人工智能下财务决策支持系统机制和实施路径所含要素的必要性和可行性进行了调研。并基于调研结果对构建人工智能下财务决策支持系统的必要性和可行性进行了分析。在此基础上本文构建了人工智能下财务决策支持系统的机制和实施路径。最后通过对应用了智能化程度行业领先的财务决策支持系统的A集团的案例分析,分析了企业现阶段财务决策支持系统建设所面临的典型问题,并提出了相应的改进建议和应用启示。通过研究发现:通过全面应用人工智能技术,新系统与现有系统相比具有更高的智能化程度,其构建可有效提高财务决策及时性和准确性,同时降低财务决策成本,并有利于推动管理会计与财务会计的融合。在机制构建上,新系统应包含数据层、分析层和决策层三部分,以大数据为基础和驱动力,遵循“决策有用信息-财务决策方法-财务决策”的工作原理,通过财务分析绘制各类画像并通过画像匹配得到财务决策。在实施路径构建上,新系统的实施以人机高度协同为基础。在外部,需从支持系统和相关制度两方面构建实施环境;在内部,应区分常规决策和复杂决策规划决策者参与程度不同的具体定制路径,并伴随财务决策评价实现系统持续完善。大型集团企业应注意到构建新系统的必要性,同时,在构建过程中应注意遵循循序渐进和成本收益原则,并关注人的因素对新系统应用效果的影响。
二、数据仓库与决策支持系统(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据仓库与决策支持系统(论文提纲范文)
(1)基于Hive的购销数据仓库系统的设计与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要研究内容 |
1.4 论文的组织结构 |
1.5 本章小结 |
第2章 相关理论基础 |
2.1 数据仓库技术 |
2.1.1 数据仓库的产生背景 |
2.1.2 数据仓库定义 |
2.1.3 数据仓库特点 |
2.1.4 数据仓库基本特性 |
2.1.5 数据仓库的相关概念 |
2.1.6 数据仓库的结构 |
2.1.7 数据仓库开发过程 |
2.1.8 数据仓库建模方法 |
2.2 ETL技术 |
2.2.1 ETL技术定义 |
2.2.2 ETL作用 |
2.3 sqoop技术介绍 |
2.4 Flume技术介绍 |
2.5 SSM框架 |
2.5.1 Spring |
2.5.2 Spring Mvc |
2.5.3 Mybatis |
2.6 ECharts |
2.7 本章小结 |
第3章 系统分析 |
3.1 业务需求分析 |
3.2 建设目标 |
3.3 系统功能性分析 |
3.4 系统性能需求 |
3.5 平台构建原则 |
3.6 本章小结 |
第4章 系统设计 |
4.1 系统架构设计 |
4.2 数据仓库设计 |
4.2.1 数据处理模块 |
4.2.2 数据建模模块 |
4.3 数据可视化 |
4.4 本章小结 |
第5章 系统实现 |
5.1 系统开发环境 |
5.2 系统主要功能实现 |
5.2.1 数据仓库实现 |
5.2.2 Web可视化实现 |
5.2.3 其它功能模块 |
5.3 本章小结 |
第6章 系统测试 |
6.1 测试环境 |
6.2 系统测试内容 |
6.2.1 系统功能测试 |
6.2.2 系统性能测试 |
6.3 本章小结 |
第7章 总结与展望 |
7.1 全文工作总结 |
7.2 未来工作展望 |
参考文献 |
致谢 |
(2)森林资源数据仓库管理系统研建与数据分析应用技术研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 森林资源异构数据集成的研究现状 |
1.2.2 数据仓库在林业上的应用研究 |
1.2.3 ETL技术的研究 |
1.2.4 OLAP技术的研究 |
1.2.5 林业数据挖掘技术的研究 |
1.2.6 小结 |
1.3 研究目标和内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.3.3 研究拟解决的关键问题 |
1.4 研究方法与研究技术路线 |
1.4.1 研究方法 |
1.4.2 研究的技术路线 |
1.5 研究数据 |
1.6 项目来源与经费支持 |
1.7 论文组织结构 |
2 研究的理论与技术基础 |
2.1 数据仓库技术 |
2.1.1 数据仓库的概念 |
2.1.2 数据仓库建模方法 |
2.2 ETL技术 |
2.3 OLAP技术 |
2.3.1 OLAP技术基本概念 |
2.3.2 多维分析的基本操作 |
2.4 数据挖掘技术 |
2.4.1 数据挖掘的概念 |
2.4.2 常用的森林资源数据挖掘算法 |
2.5 本章小结 |
3 森林资源数据仓库设计与构建 |
3.1 森林资源小班数据仓库设计 |
3.1.1 概念模型设计 |
3.1.2 逻辑模型设计 |
3.1.3 物理模型设计 |
3.2 标准地/样地数据仓库设计 |
3.2.1 逻辑模型设计 |
3.2.2 物理模型设计 |
3.3 本章小结 |
4 森林资源异构数据的ETL技术研究 |
4.1 森林资源异构数据ETL需求分析 |
4.2 数据抽取子模型 |
4.3 数据转换子模型 |
4.3.1 数据清洗模块 |
4.3.2 数据转换模块 |
4.4 数据加载子模型 |
4.5 本章小结 |
5 森林资源数据仓库数据分析实例 |
5.1 OLAP与数据挖掘 |
5.2 森林资源数据OLAP技术应用 |
5.2.1 多维数据立方体的建立 |
5.2.2 森林生产功能分析 |
5.2.3 龄组、林种多样性及动态变化分析 |
5.3 森林资源数据挖掘技术应用 |
5.3.1 适地适树规则提取 |
5.3.2 生长收获预测模型拟合 |
5.4 本章小结 |
6 森林资源数据仓库管理系统的研建 |
6.1 系统需求分析 |
6.1.1 用户需求分析 |
6.1.2 功能需求分析 |
6.2 系统结构设计 |
6.2.1 系统体系结构设计 |
6.2.2 系统功能结构设计 |
6.3 森林资源数据仓库管理系统运行实例 |
6.3.1 异构数据源获取 |
6.3.2 数据清洗、转换 |
6.3.3 数据仓库管理 |
6.4 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
个人简介 |
导师简介 |
致谢 |
(3)林业企业商务智能系统研建 ——以林口林业局有限公司为例(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 选题背景及研究意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 文献综述 |
1.2.1 林业信息化 |
1.2.2 商务智能 |
1.2.3 林业企业商务智能研究评述 |
1.3 研究内容 |
1.4 研究方法与技术路线 |
1.4.1 研究方法 |
1.4.2 技术路线 |
1.5 特色与创新之处 |
2 理论基础与关键技术支撑 |
2.1 理论基础 |
2.1.1 软件工程学 |
2.1.2 林业企业管理 |
2.1.3 森林可持续经营 |
2.2 关键技术 |
2.2.1 云计算 |
2.2.2 商务智能应用技术 |
2.2.3 ETL技术 |
2.3 小结 |
3 林业企业商务智能系统需求分析 |
3.1 林口林业局有限公司概况 |
3.1.1 基本情况 |
3.1.2 信息化建设现状 |
3.2 业务需求 |
3.2.1 森林经营类指标 |
3.2.2 财务管理类指标 |
3.3 系统需求 |
3.3.1 功能需求 |
3.3.2 数据需求 |
3.3.3 性能需求 |
4 林业企业商务智能系统设计 |
4.1 商务智能平台选择 |
4.1.1 开源产品与商业产品 |
4.1.2 主流开源商务智能产品 |
4.1.3 Pentaho BI简介 |
4.2 架构设计 |
4.2.1 数据获取层 |
4.2.2 数据集成层 |
4.2.3 数据处理层 |
4.2.4 数据应用层 |
4.3 功能设计 |
4.3.1 报表展示功能 |
4.3.2 指标展示功能 |
4.3.3 数据多维分析功能 |
4.4 数据库设计 |
4.4.1 概念模型设计 |
4.4.2 逻辑模型设计 |
4.4.3 物理模型设计 |
4.5 ETL设计 |
4.5.1 过程一 |
4.5.2 过程二 |
4.5.3 过程三 |
5 林业企业商务智能系统实现 |
5.1 开发环境 |
5.2 ETL实现 |
5.2.1 过程一:Excel数据到My SQL数据 |
5.2.2 过程二:建立数据集市 |
5.2.3 过程三:构建数据立方体 |
5.3 功能实现 |
5.3.1 报表展示 |
5.3.2 指标展示 |
5.3.3 数据多维分析 |
6 林业企业商务智能系统应用分析 |
6.1 提升林业企业业务洞察能力 |
6.2 提升林业企业风险监控能力 |
6.3 提升林业企业综合感知能力 |
6.4 增强林业企业科学决策能力 |
7 结论与展望 |
7.1 研究结论 |
7.2 不足之处 |
7.3 未来展望 |
参考文献 |
个人简介 |
导师简介 |
获得成果目录 |
致谢 |
(4)智能财务决策支持系统构建及应用研究 ——以JSNK集团公司为例(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 文献综述 |
1.2.1 构建智能财务决策支持系统的关键技术 |
1.2.2 实施智能财务决策支持系统的经济效应研究 |
1.3 研究内容及框架 |
1.3.1 研究内容及创新点 |
1.3.2 研究方法 |
1.3.3 研究技术路线 |
第二章 理论概述 |
2.1 财务决策支持系统 |
2.2 财务智能或智能财务 |
2.2.1 人工智能的发展历程 |
2.2.2 财务智能或智能财务内涵 |
2.3 智能财务决策支持系统的内涵及构成 |
2.3.1 智能财务决策支持系统的内涵 |
2.3.2 智能财务决策支持系统构成 |
第三章 智能财务决策支持系统应用需求研究 |
3.1 智能财务决策支持系统总体需求调研设计 |
3.2 智能财务决策支持系统应用需求调研分析 |
3.2.1 智能财务决策支持系统洞察需求分析 |
3.2.2 智能财务决策支持系统对标需求分析 |
3.2.3 智能财务决策支持系统财务预测需求分析 |
3.2.4 智能财务决策支持系统财务风险预警需求分析 |
3.3 JSNK集团智能财务决策支持系统构建需求分析 |
3.3.1 集团简介 |
3.3.2 JSNK集团智能财务决策支持系统的必要性分析 |
第四章 JSNK集团智能财务决策支持系统应用 |
4.1 JSNK集团智能财务决策支持系统应用的整体框架 |
4.2 JSNK集团智能财务决策支持系统应用分析 |
4.2.1 JSNK集团智能财务洞察应用 |
4.2.2 JSNK集团智能财务对标应用 |
4.2.3 JSNK集团智能财务预测应用 |
4.2.4 JSNK集团智能财务风险预警应用 |
第五章 JSNK集团智能财务决策支持系统应用效应研究 |
5.1 系统应用的整体效应 |
5.1.1 数据驱动的科学财务分析与决策 |
5.1.2 提升财务分析工作效率与有效性 |
5.2 系统实施后取得的具体成效 |
5.2.1 财务战略得以很好的贯彻执行 |
5.2.2 智能化财务可以优化企业管理水平 |
5.2.3 财务报告可以智能化生成 |
5.2.4 智能化财务可以提升管理决策有用性 |
第六章 总结与展望 |
6.1 智能财务决策支持系统需求调研总结 |
6.2 JSNK集团公司智能财务决策支持系统应用经验总结 |
6.3 智能财务分析与决策系统构建未来展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(5)数据挖掘技术在高校教育投入中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状 |
1.3 研究课题 |
1.4 论文组织结构 |
第2章 OLAM技术的探讨 |
2.1 决策支持系统DSS |
2.2 数据仓库DW的介绍 |
2.2.1 DW的定义 |
2.2.2 DW的数据环境 |
2.3 联机分析处理技术OLAP |
2.3.1 OLAP的逻辑概念 |
2.3.2 OLAP技术的应用 |
2.4 数据挖掘(Data-Mining) |
2.4.1 DM的定义 |
2.4.2 DM的过程 |
2.5 DW、DM及OLAP之间的关系 |
2.5.1 DW与DM的关系 |
2.5.2 DW与OLAP的关系 |
2.5.3 OLAP与DM的关系 |
2.5.4 DW、OLAP与DM的结合 |
2.6 OLAM技术 |
2.6.1 OLAP和DM的结合 |
2.6.2 OLAM的体系结构 |
2.6.3 OLAM的功能特性 |
2.7 本章小结 |
第3章 OLAM模型的分析和设计 |
3.1 传统OLAM模型的设计方法 |
3.1.1 OLAM的简单模型 |
3.1.2 OLAM的复杂模型 |
3.1.3 OLAM的通用模型 |
3.2 高校教育投入中OLAM模型的分析 |
3.2.1 两种不同性质的挖掘需求 |
3.2.2 OLAM模型的运行方式 |
3.3 高校教育投入中OLAM模型的设计 |
3.3.1 C/S架构的OLAM模型 |
3.3.2 B/S架构下的OLAM模型 |
3.3.3 OLAM模型的功能扩展 |
3.4 本章小结 |
第4章 构建高校教育投入资源数据仓库 |
4.1 多维数据建模 |
4.2 概念模型设计 |
4.3 逻辑模型设计 |
4.4 物理模型设计 |
4.4.1 数据的整理和完善 |
4.4.2 数据的清洗和集成 |
4.5 本章小结 |
第5章 OLAM技术在高校教育投入中的应用 |
5.1 DSS的设计与分析 |
5.2 OLAM技术的应用实践 |
5.2.1 OLAM工具的选取 |
5.2.2 OLAM模型的构建 |
5.2.3 OLAM挖掘算法的实现 |
5.2.4 OLAM定量挖掘与定性分析相结合 |
5.2.5 结论和建议 |
第6章 结语 |
6.1 论文工作总结 |
6.2 进一步工作 |
致谢 |
参考文献 |
(6)基于数据仓库的企业决策支持系统的设计与实现(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 项目背景 |
1.2 项目研究意义与目的 |
1.3 国内外发展现状 |
1.4 论文组织结构 |
1.5 本章小结 |
2 系统相关技术简介 |
2.1 数据仓库 |
2.2 Hive |
2.3 数据库 |
2.4 Sqoop |
2.5 Spring Boot框架 |
2.6 My Batis框架 |
2.7 本章小结 |
3 系统需求分析 |
3.1 系统需求分析总览 |
3.2 数据获取需求分析 |
3.3 数据存储与处理需求分析 |
3.4 数据应用需求分析 |
3.5 系统非功能性需求分析 |
3.6 本章小结 |
4 系统概要设计 |
4.1 系统总体架构设计 |
4.2 系统模块设计 |
4.3 数据库设计 |
4.3.1 MySQL表 |
4.3.2 Hive表 |
4.4 本章小结 |
5 系统详细设计与实现 |
5.1 数据获取的文件上传模块 |
5.1.1 模块设计描述 |
5.1.2 模块流程图 |
5.1.3 模块时序图 |
5.1.4 模块类图 |
5.2 数据存储与处理 |
5.2.1 问题识别与解决思路 |
5.2.2 数据仓库层次设计 |
5.2.3 ETL模块 |
5.3 数据应用的招聘分析模块 |
5.3.1 模块设计描述 |
5.3.2 模块流程图 |
5.3.3 模块类图 |
5.3.4 模块时序图 |
5.4 数据应用的工作日历模块 |
5.4.1 模块设计描述 |
5.4.2 模块流程图 |
5.4.3 模块类图 |
5.5 数据应用的用户分析模块 |
5.5.1 模块设计描述 |
5.5.2 模块流程图 |
5.5.3 模块类图 |
5.5.4 聚类分组算法实现过程 |
5.6 本章小结 |
6 系统测试 |
6.1 功能性测试 |
6.2 非功能性测试 |
6.3 本章小结 |
7 结论与展望 |
7.1 工作总结 |
7.2 工作展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(7)跨区域综合交通应急调度辅助决策系统研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 论文研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.2.3 总结 |
1.3 研究目标及内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 技术路线 |
1.5 本章小结 |
第2章 跨区域综合交通应急调度基础理论研究 |
2.1 突发事件下各交通运输方式处置模式概述 |
2.2 跨区域综合交通应急调度基本概念 |
2.2.1 适用范围分析 |
2.2.2 任务维度分析 |
2.2.3 任务主体分析 |
2.3 应急调度优化模型及算法研究概述 |
2.4 辅助决策系统概述及其在应急调度业务中的功能定位 |
2.4.1 辅助决策系统相关概念及技术研究 |
2.4.2 跨区域综合交通应急调度辅助决策系统的功能定位 |
2.5 本章小结 |
第3章 跨区域综合交通应急调度关键技术研究 |
3.1 跨区域综合交通应急调度关键问题分析 |
3.2 多智能体技术适应性分析 |
3.3 基于多智能体的跨区域综合交通应急调度技术 |
3.3.1 多智能体应急调度模型 |
3.3.2 需求点智能体 |
3.3.3 出救点智能体 |
3.3.4 智能体互动规则与流程分析 |
3.4 出救点智能体路径规划模型研究 |
3.4.1 模型分析 |
3.4.2 算法研究 |
3.4.3 算例分析 |
3.5 本章小结 |
第4章 系统需求分析 |
4.1 系统业务流程与特征分析 |
4.1.1 系统业务流程分析 |
4.1.2 系统业务特征分析 |
4.2 功能需求分析 |
4.2.1 总体功能需求描述 |
4.2.2 基础信息管理 |
4.2.3 应急资源盘点 |
4.2.4 应急调度方案决策 |
4.2.5 应急辅助管理 |
4.3 数据需求分析 |
4.3.1 数据集成需求 |
4.3.2 数据流转需求 |
4.4 性能需求分析 |
4.5 系统用例分析 |
4.6 本章小结 |
第5章 系统设计 |
5.1 系统总体设计 |
5.1.1 系统设计原则 |
5.1.2 系统总体架构 |
5.1.3 系统接口设计 |
5.2 综合交通应急资源数据仓库设计 |
5.2.1 相关概念及技术研究 |
5.2.2 总体框架设计 |
5.2.3 功能业务设计 |
5.2.4 相关模型设计 |
5.3 跨区域应急物资联运辅助决策平台设计 |
5.3.1 总体结构设计 |
5.3.2 应急决策支持模块设计 |
5.3.3 应急辅助管理模块设计 |
5.3.4 标准规范与运维管控体系 |
5.4 本章小结 |
结论与展望 |
致谢 |
参考文献 |
附录 |
攻读硕士学位期间发表论文 |
(8)数据仓库和联机分析在医院数据决策分析的研究和应用(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题研究背景 |
1.2 国内外研究现状 |
1.3 论文研究目的 |
1.4 论文组织结构 |
2 相关理论和关键技术 |
2.1 数据仓库和数据库 |
2.1.1 数据仓库和数据库的特点 |
2.1.2 数据仓库与操作数据库区别 |
2.2 联机分析技术 |
2.2.1 联机分析系统组件 |
2.2.2 联机分析体系结构 |
2.2.3 联机分析规则 |
2.2.4 联机分析、数据挖掘和数据仓库的关联 |
2.3 本章小结 |
3 需求分析和数据仓库设计 |
3.1 需求分析 |
3.1.1 医院历史数据文件 |
3.1.2 医院总体需求 |
3.2 整体设计 |
3.2.1 解决方案 |
3.2.2 方案整体架构 |
3.2.3 系统开发环境和工具 |
3.3 数据仓库设计 |
3.3.1 数据仓库主题 |
3.3.2 维度设计 |
3.3.3 维表设计 |
3.3.4 事实表设计 |
3.3.5 逻辑模型设计 |
3.4 本章小结 |
4 医院数据分析决策应用 |
4.1 数据清理 |
4.1.1 数据抽取 |
4.1.2 数据有效性检查 |
4.1.3 数据转换 |
4.1.4 数据载入 |
4.2 联机分析应用 |
4.2.1 建立多维数据集 |
4.2.2 联机分析技术应用 |
4.2.3 图形化数据分析 |
4.3 决策支持建议 |
4.4 本章小结 |
5 总结与展望 |
参考文献 |
致谢 |
作者简历 |
附录 |
(9)基于决策树算法的高校招生数据挖掘与可视化系统的设计与实现(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义和目的 |
1.3 国内外研究现状 |
1.3.1 决策树算法的研究现状 |
1.3.2 可视化技术和招生管理信息系统的研究现状 |
1.4 论文主要工作 |
1.5 研究思路与创新 |
1.6 论文组织结构 |
1.7 本章小结 |
第二章 数据挖掘理论与系统开发技术 |
2.1 数据挖掘 |
2.1.1 数据挖掘的概念 |
2.1.2 数据挖掘的工具 |
2.1.3 数据挖掘的一般过程 |
2.2 决策树与相关算法理论 |
2.2.1 决策树描述 |
2.2.2 决策树生成过程 |
2.2.3 常用决策树算法 |
2.3 数据可视化技术 |
2.3.1 常用的可视化技术 |
2.4 本章小结 |
第三章 招生数据挖掘和可视化系统功能设计与算法验证 |
3.1 设计思想 |
3.1.1 系统的设计目标 |
3.1.2 系统功能模块 |
3.2 系统需求分析 |
3.2.1 需求分析 |
3.2.2 数据库设计 |
3.3 决策分析与可视化 |
3.3.1 实验环境 |
3.3.2 评估两种决策树算法的性能 |
3.3.3 可视化功能设计 |
3.4 本章小结 |
第四章 招生数据挖掘与可视化系统主要功能的实现 |
4.1 系统环境 |
4.1.1 运行环境 |
4.1.2 开发环境 |
4.2 信息系统主要功能实现 |
4.2.1 系统管理功能的实现 |
4.3 数据仓库与OLAP实现 |
4.4 数据准备 |
4.4.1 数据的采集与准备 |
4.4.2 数据的清理 |
4.4.3 数据集成 |
4.4.4 数据归约 |
4.4.5 数据转换 |
4.4.6 招生信息数据预处理结果 |
4.5 基于决策树的招生信息挖掘算法实现 |
4.5.1 决策算法的选择 |
4.5.2 决策算法的改进算法 |
4.5.3 C4.5 算法和改进后的C4.5 算法的比较 |
4.5.4 基于决策树算法在高校招生信息系统中的实现 |
4.5.5 结果分析 |
4.6 招生信息系统的可视化实现 |
4.7 本章小结 |
第五章 总结及展望 |
5.1 研究总结 |
5.2 研究展望 |
参考文献 |
致谢 |
(10)人工智能下财务决策支持系统的机制与实施路径研究(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究目标与研究方法 |
1.2.1 研究目标 |
1.2.2 研究方法 |
1.3 研究内容与研究框架 |
1.4 文献综述 |
1.4.1 国外研究文献综述 |
1.4.2 国内研究文献综述 |
1.4.3 文献评述 |
1.5 研究特色与创新 |
第2章 相关概念界定及理论基础 |
2.1 财务决策 |
2.1.1 财务决策内涵及影响因素 |
2.1.2 财务决策目标 |
2.2 有限理性决策理论 |
2.3 信息不对称理论 |
2.4 人工智能 |
2.4.1 人工智能内涵及实现形式 |
2.4.2 数据挖掘 |
2.4.3 机器学习与深度学习 |
第3章 财务决策支持系统应用现状及主要问题调查分析 |
3.1 问卷设计 |
3.1.1 问卷发放对象 |
3.1.2 问卷内容 |
3.2 问卷发放与回收 |
3.3 问卷结果基本分析 |
3.3.1 问卷基本情况分析 |
3.3.2 问卷的信度检验 |
3.4 问卷结果统计分析 |
3.4.1 构建人工智能下财务决策支持系统的必要性程度分析 |
3.4.2 人工智能下财务决策支持系统机制构建有关问题分析 |
3.4.3 人工智能下财务决策支持系统实施路径构建有关问题分析 |
第4章 人工智能下财务决策支持系统构建的必要性及可行性 |
4.1 人工智能下财务决策支持系统构建的必要性 |
4.1.1 现有系统缺陷 |
4.1.2 新系统优势 |
4.2 人工智能下财务决策支持系统构建的可行性 |
4.2.1 经济方面可行性 |
4.2.2 技术方面可行性 |
第5章 人工智能下财务决策支持系统机制构建 |
5.1 新系统功能与结构 |
5.2 新系统信息化决策驱动机理 |
5.3 新系统决策模型构建 |
5.4 新系统工作原理 |
第6章 人工智能下财务决策支持系统实施路径构建 |
6.1 实施环境构建 |
6.1.1 支持系统构建 |
6.1.2 相关制度支持 |
6.2 财务决策具体定制路径 |
6.2.1 常规决策 |
6.2.2 复杂决策 |
6.3 财务决策评价与系统持续完善路径 |
6.3.1 财务决策评价原则 |
6.3.2 系统持续完善路径 |
6.4 人机协同实现机理 |
第7章 案例分析 |
7.1 案例背景 |
7.2 A集团财务决策支持系统的构建 |
7.2.1 A集团财务决策支持系统构建背景 |
7.2.2 A集团财务决策支持系统构建分析 |
7.2.3 A集团财务决策支持系统应用效果分析 |
7.3 A集团财务决策支持系统的改进及启示 |
7.3.1 A集团财务决策支持系统的改进建议 |
7.3.2 A集团财务决策支持系统构建及应用的启示 |
研究结论与展望 |
参考文献 |
附录 A 人工智能下财务决策支持系统机制和实施路径研究调查问卷 |
攻读硕士学位期间取得的研究成果 |
致谢 |
四、数据仓库与决策支持系统(论文参考文献)
- [1]基于Hive的购销数据仓库系统的设计与实现[D]. 李英楠. 西南大学, 2020(05)
- [2]森林资源数据仓库管理系统研建与数据分析应用技术研究[D]. 许诗怡. 北京林业大学, 2020
- [3]林业企业商务智能系统研建 ——以林口林业局有限公司为例[D]. 夏明慧. 北京林业大学, 2020(02)
- [4]智能财务决策支持系统构建及应用研究 ——以JSNK集团公司为例[D]. 肖聪. 江西理工大学, 2020(01)
- [5]数据挖掘技术在高校教育投入中的应用研究[D]. 王位明. 南昌大学, 2020(01)
- [6]基于数据仓库的企业决策支持系统的设计与实现[D]. 游骏鹏. 北京交通大学, 2020(03)
- [7]跨区域综合交通应急调度辅助决策系统研究[D]. 杨廷宇. 西南交通大学, 2020(07)
- [8]数据仓库和联机分析在医院数据决策分析的研究和应用[D]. 田晚彤. 大连海事大学, 2019(07)
- [9]基于决策树算法的高校招生数据挖掘与可视化系统的设计与实现[D]. 白秀显. 兰州大学, 2019(02)
- [10]人工智能下财务决策支持系统的机制与实施路径研究[D]. 李嘉欢. 首都经济贸易大学, 2019(07)