基于數(shù)據(jù)倉庫技術的畜禽養(yǎng)殖決策支持系統(tǒng)設計

劉光明+陳長喜

摘要：針對畜禽養(yǎng)殖涉及的因素繁雜，且時空差異和變異性大，疾病頻繁，養(yǎng)殖穩(wěn)定性和可控程度差，結合畜禽養(yǎng)殖自身特點和養(yǎng)殖管理的實際情況，建立了畜禽健康養(yǎng)殖決策支持系統(tǒng)數(shù)據(jù)倉庫結構和模型，給出了相關的數(shù)據(jù)挖掘算法實現(xiàn)步驟。探索該技術在畜禽養(yǎng)殖中的應用，解決一些實際出現(xiàn)的技術問題，實現(xiàn)了畜禽養(yǎng)殖科學化、智能化、健康化的管理標準。

關鍵詞：畜禽養(yǎng)殖；數(shù)據(jù)倉庫；決策支持；數(shù)據(jù)挖掘

中圖分類號：TP311；S83 文獻標識碼：A 文章編號：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)基本是由一些獨立的、分散不關聯(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、獨立的畜禽養(yǎng)殖企業(yè)管理業(yè)務操作系統(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]。針對上述問題，遵循畜禽健康養(yǎng)殖的規(guī)律，構建了基于數(shù)據(jù)倉庫技術的畜禽養(yǎng)殖決策支持系統(tǒng)和相應的數(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)訪問能力。

1 數(shù)據(jù)倉庫對畜禽養(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)倉庫中的養(yǎng)殖原始數(shù)據(jù)、價格和投入量等，運用數(shù)理統(tǒng)計模型確定目標函數(shù)的具體形式，進行預測趨勢和定量分析。分析并同時找出社會資源需求、自然資源、生態(tài)環(huán)境、畜禽養(yǎng)殖業(yè)與其他行業(yè)關系等的數(shù)據(jù)限制，從而使得模型動態(tài)地發(fā)生變化。

1.2 養(yǎng)殖因素分析

采用聯(lián)機分析處理（OLAP）技術切片、鉆取和旋轉(zhuǎn)多維數(shù)據(jù)，深入分析數(shù)據(jù)倉庫中的數(shù)據(jù)。把提取的相關信息作為解決問題的基礎，運用數(shù)學運算通過三維形式表現(xiàn)出來，解答在一定時間一定范圍內(nèi)對畜禽養(yǎng)殖影響的問題。

1.3 養(yǎng)殖預測分析

通過數(shù)據(jù)挖掘技術，找出內(nèi)在關聯(lián)對數(shù)據(jù)進行邏輯計算，比如有針對性地使用數(shù)學模型，根據(jù)歷年的市場價格數(shù)據(jù)隨時間變化的趨勢預測將來的值。

1.4 養(yǎng)殖決策分析

運用時間序列模型、關聯(lián)規(guī)則挖掘市場價格數(shù)據(jù)和市場需求量數(shù)據(jù)，簡單地確定目標函數(shù)具體形式，通過可視化的形式表現(xiàn)，預測產(chǎn)品價格和需求量，從而開拓潛在的市場，更好地為決策提供可靠的支持。

2 數(shù)據(jù)倉庫在決策支持系統(tǒng)中的應用

2.1 系統(tǒng)結構

與傳統(tǒng)數(shù)據(jù)庫不一樣，數(shù)據(jù)倉庫[2]包括前端處理、源數(shù)據(jù)和后端處理三個方面。體系結構見圖1。

后端處理功能是將提取、清除、轉(zhuǎn)變、運算、匯總后的源數(shù)據(jù)提供給數(shù)據(jù)倉庫；前端處理的功能是客戶端可以存儲、提取并對數(shù)據(jù)倉庫的數(shù)據(jù)進行分析，運用聯(lián)機分析處理生成報表，以直觀方式表現(xiàn)出來，輔助用戶決策操作。數(shù)據(jù)倉庫是綜合數(shù)據(jù)的集合，用于支持管理決策信息支持庫[3]。畜禽養(yǎng)殖決策支持系統(tǒng)中數(shù)據(jù)倉庫系統(tǒng)結構見圖2。

2.2 系統(tǒng)模型

數(shù)據(jù)倉庫模型都以事實作為中心，主要不同是外圍維度表相互之間的關聯(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、決策變量和目標函數(shù)，必須對其進行詳細的分析處理。

設計選擇星型雪花型模型，好處是建模簡單，方便理解，可從多個維度分析數(shù)據(jù)。從圖3中可以看出，星型雪花型模型的表構成有維表與事實表兩種，用于查詢的信息放在事實表中，維表可以繼續(xù)擴展，成為維表和事實表的雪花型模型。經(jīng)過分析處理，系統(tǒng)的數(shù)據(jù)倉庫事實表主要包含養(yǎng)殖基本信息、養(yǎng)殖時間、養(yǎng)殖地區(qū)、投入成本、約束條件等。事實表下又含多個維表：①養(yǎng)殖維表，包括養(yǎng)殖種類、價格?？赡艹霈F(xiàn)的疾病、飼料等；②時間維表，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、醫(yī)藥費、飼料費、養(yǎng)殖機械費用及其他費用等；⑤約束條件維表，包括資源約束、社會需求約束、生態(tài)環(huán)境約束、行業(yè)關系約束等。其中養(yǎng)殖維表、地區(qū)維表等還可繼續(xù)細分，如疾病維表、環(huán)境維表等。

2.3 系統(tǒng)設計

設計采用綜合決策支持系統(tǒng)，是指新舊決策支持系統(tǒng)相結合。用于決策的數(shù)據(jù)存儲在數(shù)據(jù)倉庫中，可通過聯(lián)機多維數(shù)據(jù)分析和處理；數(shù)據(jù)挖掘是尋找數(shù)據(jù)庫與數(shù)據(jù)倉庫中的知識；模型庫可組合實現(xiàn)多個輔助決策廣義模型；輔助決策的數(shù)據(jù)來自數(shù)據(jù)庫；用戶可以運用專家系統(tǒng)進行推理和分析。這樣形成了綜合決策支持系統(tǒng)，相互作用，各自的優(yōu)勢能夠很好地輔助決策[4]。系統(tǒng)的結構見圖4。

2.4 數(shù)據(jù)挖掘算法

大量的集成數(shù)據(jù)存儲在數(shù)據(jù)倉庫中，而從這些數(shù)據(jù)中挖掘有效和有用的信息進行預測與分析需多方面技術的進行協(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)，修正集用來檢驗和校對模型的主要參數(shù)。

3）評價預測結果，同時修改或調(diào)整模型的主要參數(shù)。

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

Y（t）：y（t）=■（進行一次累加生成列，弱化隨機性，強化規(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）的估計值（t）數(shù)列）]

對數(shù)列（t）與X（t）進行擬合效果檢驗，如果兩者擬合精度高，該模型可應用于外推預測；如果兩者擬合精度較低，不可直接應用于外推預測，必須經(jīng)過殘差修正改進后才能進行外推預測。通過后驗差比值、平均相對誤差和小誤差概率的檢驗，確定數(shù)列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對誤差）

ε（t）=x（t）-■（t） （殘差計算）

C=■（驗差比值）

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

根據(jù)精度檢驗等級參照表，得到數(shù)列的擬合優(yōu)度。如果外推預測擬合優(yōu)度高，預測效果則滿意，可按照下式外推預測：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過灰色數(shù)列預測模型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段不同的時期，曲線變化表示各個地區(qū)養(yǎng)殖數(shù)量的同期對比，而數(shù)據(jù)點在縱軸上的變化情況則可以反映某個地區(qū)的養(yǎng)殖數(shù)量隨時間的變化情況。圖5中地區(qū)和時間的范圍都是可選的，用戶可以通過簡單的點拉操作選取自己想要查看的地區(qū)、時期或者其他維度。圖5中的數(shù)據(jù)還可以通過表格、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

設計數(shù)據(jù)分析采用Oracle11i作為目標數(shù)據(jù)倉庫，運用Oracle與Warehouse Builde 2.1，實現(xiàn)操作型數(shù)據(jù)庫的ETL（抽取、轉(zhuǎn)換、裝載）形成數(shù)據(jù)倉庫。運用Borland Delphi開發(fā)前臺，形成具有OLAP分析的功能[6]，決策樹的分類和FP-樹關聯(lián)規(guī)則的挖掘功能[7]是自主開發(fā)的。

1）實現(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，用戶可運用BDE連接Oracle11i數(shù)據(jù)倉庫，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控件分析并顯示結果，還可使用DecisionPivot控件來對數(shù)據(jù)進行切片、切塊、上卷和下鉆等。

2）實現(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發(fā)設計，分類與關聯(lián)規(guī)則挖掘功能得到基本實現(xiàn)[8]。使用ADO存儲和讀取數(shù)據(jù)倉庫中的數(shù)據(jù)，運用C++語言編寫數(shù)據(jù)挖掘算法得到動態(tài)連接庫dll文件。在Delphi前臺界面上，用戶可制定數(shù)據(jù)挖掘任務，定義能夠完成該任務的數(shù)據(jù)集，然后通過數(shù)據(jù)挖掘算法的動態(tài)連接庫方法的調(diào)用實行處理?，F(xiàn)在通過規(guī)則的形式（if cl & c2 then r）的使用，給出系統(tǒng)中決策樹分類和關聯(lián)規(guī)則挖掘的結果[9]。

3 小結與討論

要想建成決策的數(shù)據(jù)倉庫必須具有巨大的數(shù)據(jù)量存儲，而且要發(fā)揮其強大的作用必須具備高層決策分析工具，所以建設成本普遍較高。在畜禽養(yǎng)殖業(yè)中應用還要考慮相關的基礎、社會需求和經(jīng)濟效益等問題，所以可先在某個特定的區(qū)域提取特征參數(shù)進行試驗，掌握一定規(guī)律量后逐步走向?qū)嵱谩?/p>

伴隨著社會的進步和大數(shù)據(jù)時代的到來，在大量數(shù)據(jù)中尋找可用的信息用于決策越來越重要[10]。畜禽養(yǎng)殖業(yè)類型眾多、復雜，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)庫系統(tǒng)無法解決原始數(shù)據(jù)精細提取和不同區(qū)域影響程度變化等問題。主要表現(xiàn)為過往的數(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，對數(shù)據(jù)處理和訪問的能力較低[11]。本研究運用數(shù)據(jù)倉庫技術，根據(jù)畜禽養(yǎng)殖相關參數(shù)如養(yǎng)殖數(shù)量、市場價格及飼料量等，找出相應的數(shù)學函數(shù)，直觀方式表現(xiàn)出來，為畜禽養(yǎng)殖決策提供技術基礎，同時也為解決上述問題提供了新的思路，從技術上解決了問題。

參考文獻：

[1] 沈春燕，馬 波.數(shù)據(jù)倉庫在漁業(yè)企業(yè)管理中的應用研究[J].管理實踐，2007（12）：35-37.

[2] 彭朝海.基于數(shù)據(jù)倉庫的決策支持系統(tǒng)[J].四川工業(yè)學院學報， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數(shù)據(jù)倉庫中的決策支持[M].北京：北京理工大學出版社，2001.

[4] 張 杰.數(shù)據(jù)倉庫技術應用研究[J].電子技術與軟件工程，2014（5）：192.

[5] 周學全，張志杰，張篤行，等.綜合決策支持系統(tǒng)中數(shù)據(jù)挖掘功能的設計與實現(xiàn)[J].計算機測量與控制，2010，18（1）：161-163.

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

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

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

[9] 齊 平，陳 文.數(shù)據(jù)倉庫和數(shù)據(jù)挖掘在農(nóng)業(yè)輔助決策支持系統(tǒng)中的應用[J].銅陵學院學報，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農(nóng)業(yè)結構優(yōu)化決策支持系統(tǒng)的數(shù)據(jù)指標體系及數(shù)據(jù)倉庫設計[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)倉庫與數(shù)據(jù)挖掘的會計決策支持系統(tǒng)研究[J].河南科學，2011，29（2）：210-213.

設計選擇星型雪花型模型，好處是建模簡單，方便理解，可從多個維度分析數(shù)據(jù)。從圖3中可以看出，星型雪花型模型的表構成有維表與事實表兩種，用于查詢的信息放在事實表中，維表可以繼續(xù)擴展，成為維表和事實表的雪花型模型。經(jīng)過分析處理，系統(tǒng)的數(shù)據(jù)倉庫事實表主要包含養(yǎng)殖基本信息、養(yǎng)殖時間、養(yǎng)殖地區(qū)、投入成本、約束條件等。事實表下又含多個維表：①養(yǎng)殖維表，包括養(yǎng)殖種類、價格。可能出現(xiàn)的疾病、飼料等；②時間維表，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、醫(yī)藥費、飼料費、養(yǎng)殖機械費用及其他費用等；⑤約束條件維表，包括資源約束、社會需求約束、生態(tài)環(huán)境約束、行業(yè)關系約束等。其中養(yǎng)殖維表、地區(qū)維表等還可繼續(xù)細分，如疾病維表、環(huán)境維表等。

2.3 系統(tǒng)設計

設計采用綜合決策支持系統(tǒng)，是指新舊決策支持系統(tǒng)相結合。用于決策的數(shù)據(jù)存儲在數(shù)據(jù)倉庫中，可通過聯(lián)機多維數(shù)據(jù)分析和處理；數(shù)據(jù)挖掘是尋找數(shù)據(jù)庫與數(shù)據(jù)倉庫中的知識；模型庫可組合實現(xiàn)多個輔助決策廣義模型；輔助決策的數(shù)據(jù)來自數(shù)據(jù)庫；用戶可以運用專家系統(tǒng)進行推理和分析。這樣形成了綜合決策支持系統(tǒng)，相互作用，各自的優(yōu)勢能夠很好地輔助決策[4]。系統(tǒng)的結構見圖4。

2.4 數(shù)據(jù)挖掘算法

大量的集成數(shù)據(jù)存儲在數(shù)據(jù)倉庫中，而從這些數(shù)據(jù)中挖掘有效和有用的信息進行預測與分析需多方面技術的進行協(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)，修正集用來檢驗和校對模型的主要參數(shù)。

3）評價預測結果，同時修改或調(diào)整模型的主要參數(shù)。

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

Y（t）：y（t）=■（進行一次累加生成列，弱化隨機性，強化規(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）的估計值（t）數(shù)列）]

對數(shù)列（t）與X（t）進行擬合效果檢驗，如果兩者擬合精度高，該模型可應用于外推預測；如果兩者擬合精度較低，不可直接應用于外推預測，必須經(jīng)過殘差修正改進后才能進行外推預測。通過后驗差比值、平均相對誤差和小誤差概率的檢驗，確定數(shù)列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對誤差）

ε（t）=x（t）-■（t） （殘差計算）

C=■（驗差比值）

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

根據(jù)精度檢驗等級參照表，得到數(shù)列的擬合優(yōu)度。如果外推預測擬合優(yōu)度高，預測效果則滿意，可按照下式外推預測：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過灰色數(shù)列預測模型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段不同的時期，曲線變化表示各個地區(qū)養(yǎng)殖數(shù)量的同期對比，而數(shù)據(jù)點在縱軸上的變化情況則可以反映某個地區(qū)的養(yǎng)殖數(shù)量隨時間的變化情況。圖5中地區(qū)和時間的范圍都是可選的，用戶可以通過簡單的點拉操作選取自己想要查看的地區(qū)、時期或者其他維度。圖5中的數(shù)據(jù)還可以通過表格、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

設計數(shù)據(jù)分析采用Oracle11i作為目標數(shù)據(jù)倉庫，運用Oracle與Warehouse Builde 2.1，實現(xiàn)操作型數(shù)據(jù)庫的ETL（抽取、轉(zhuǎn)換、裝載）形成數(shù)據(jù)倉庫。運用Borland Delphi開發(fā)前臺，形成具有OLAP分析的功能[6]，決策樹的分類和FP-樹關聯(lián)規(guī)則的挖掘功能[7]是自主開發(fā)的。

1）實現(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，用戶可運用BDE連接Oracle11i數(shù)據(jù)倉庫，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控件分析并顯示結果，還可使用DecisionPivot控件來對數(shù)據(jù)進行切片、切塊、上卷和下鉆等。

2）實現(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發(fā)設計，分類與關聯(lián)規(guī)則挖掘功能得到基本實現(xiàn)[8]。使用ADO存儲和讀取數(shù)據(jù)倉庫中的數(shù)據(jù)，運用C++語言編寫數(shù)據(jù)挖掘算法得到動態(tài)連接庫dll文件。在Delphi前臺界面上，用戶可制定數(shù)據(jù)挖掘任務，定義能夠完成該任務的數(shù)據(jù)集，然后通過數(shù)據(jù)挖掘算法的動態(tài)連接庫方法的調(diào)用實行處理?，F(xiàn)在通過規(guī)則的形式（if cl & c2 then r）的使用，給出系統(tǒng)中決策樹分類和關聯(lián)規(guī)則挖掘的結果[9]。

3 小結與討論

要想建成決策的數(shù)據(jù)倉庫必須具有巨大的數(shù)據(jù)量存儲，而且要發(fā)揮其強大的作用必須具備高層決策分析工具，所以建設成本普遍較高。在畜禽養(yǎng)殖業(yè)中應用還要考慮相關的基礎、社會需求和經(jīng)濟效益等問題，所以可先在某個特定的區(qū)域提取特征參數(shù)進行試驗，掌握一定規(guī)律量后逐步走向?qū)嵱谩?/p>

伴隨著社會的進步和大數(shù)據(jù)時代的到來，在大量數(shù)據(jù)中尋找可用的信息用于決策越來越重要[10]。畜禽養(yǎng)殖業(yè)類型眾多、復雜，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)庫系統(tǒng)無法解決原始數(shù)據(jù)精細提取和不同區(qū)域影響程度變化等問題。主要表現(xiàn)為過往的數(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，對數(shù)據(jù)處理和訪問的能力較低[11]。本研究運用數(shù)據(jù)倉庫技術，根據(jù)畜禽養(yǎng)殖相關參數(shù)如養(yǎng)殖數(shù)量、市場價格及飼料量等，找出相應的數(shù)學函數(shù)，直觀方式表現(xiàn)出來，為畜禽養(yǎng)殖決策提供技術基礎，同時也為解決上述問題提供了新的思路，從技術上解決了問題。

參考文獻：

[1] 沈春燕，馬 波.數(shù)據(jù)倉庫在漁業(yè)企業(yè)管理中的應用研究[J].管理實踐，2007（12）：35-37.

[2] 彭朝海.基于數(shù)據(jù)倉庫的決策支持系統(tǒng)[J].四川工業(yè)學院學報， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數(shù)據(jù)倉庫中的決策支持[M].北京：北京理工大學出版社，2001.

[4] 張 杰.數(shù)據(jù)倉庫技術應用研究[J].電子技術與軟件工程，2014（5）：192.

[5] 周學全，張志杰，張篤行，等.綜合決策支持系統(tǒng)中數(shù)據(jù)挖掘功能的設計與實現(xiàn)[J].計算機測量與控制，2010，18（1）：161-163.

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

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

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

[9] 齊 平，陳 文.數(shù)據(jù)倉庫和數(shù)據(jù)挖掘在農(nóng)業(yè)輔助決策支持系統(tǒng)中的應用[J].銅陵學院學報，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農(nóng)業(yè)結構優(yōu)化決策支持系統(tǒng)的數(shù)據(jù)指標體系及數(shù)據(jù)倉庫設計[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)倉庫與數(shù)據(jù)挖掘的會計決策支持系統(tǒng)研究[J].河南科學，2011，29（2）：210-213.

設計選擇星型雪花型模型，好處是建模簡單，方便理解，可從多個維度分析數(shù)據(jù)。從圖3中可以看出，星型雪花型模型的表構成有維表與事實表兩種，用于查詢的信息放在事實表中，維表可以繼續(xù)擴展，成為維表和事實表的雪花型模型。經(jīng)過分析處理，系統(tǒng)的數(shù)據(jù)倉庫事實表主要包含養(yǎng)殖基本信息、養(yǎng)殖時間、養(yǎng)殖地區(qū)、投入成本、約束條件等。事實表下又含多個維表：①養(yǎng)殖維表，包括養(yǎng)殖種類、價格?？赡艹霈F(xiàn)的疾病、飼料等；②時間維表，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、醫(yī)藥費、飼料費、養(yǎng)殖機械費用及其他費用等；⑤約束條件維表，包括資源約束、社會需求約束、生態(tài)環(huán)境約束、行業(yè)關系約束等。其中養(yǎng)殖維表、地區(qū)維表等還可繼續(xù)細分，如疾病維表、環(huán)境維表等。

2.3 系統(tǒng)設計

設計采用綜合決策支持系統(tǒng)，是指新舊決策支持系統(tǒng)相結合。用于決策的數(shù)據(jù)存儲在數(shù)據(jù)倉庫中，可通過聯(lián)機多維數(shù)據(jù)分析和處理；數(shù)據(jù)挖掘是尋找數(shù)據(jù)庫與數(shù)據(jù)倉庫中的知識；模型庫可組合實現(xiàn)多個輔助決策廣義模型；輔助決策的數(shù)據(jù)來自數(shù)據(jù)庫；用戶可以運用專家系統(tǒng)進行推理和分析。這樣形成了綜合決策支持系統(tǒng)，相互作用，各自的優(yōu)勢能夠很好地輔助決策[4]。系統(tǒng)的結構見圖4。

2.4 數(shù)據(jù)挖掘算法

大量的集成數(shù)據(jù)存儲在數(shù)據(jù)倉庫中，而從這些數(shù)據(jù)中挖掘有效和有用的信息進行預測與分析需多方面技術的進行協(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)，修正集用來檢驗和校對模型的主要參數(shù)。

3）評價預測結果，同時修改或調(diào)整模型的主要參數(shù)。

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

Y（t）：y（t）=■（進行一次累加生成列，弱化隨機性，強化規(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）的估計值（t）數(shù)列）]

對數(shù)列（t）與X（t）進行擬合效果檢驗，如果兩者擬合精度高，該模型可應用于外推預測；如果兩者擬合精度較低，不可直接應用于外推預測，必須經(jīng)過殘差修正改進后才能進行外推預測。通過后驗差比值、平均相對誤差和小誤差概率的檢驗，確定數(shù)列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對誤差）

ε（t）=x（t）-■（t） （殘差計算）

C=■（驗差比值）

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

根據(jù)精度檢驗等級參照表，得到數(shù)列的擬合優(yōu)度。如果外推預測擬合優(yōu)度高，預測效果則滿意，可按照下式外推預測：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過灰色數(shù)列預測模型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段不同的時期，曲線變化表示各個地區(qū)養(yǎng)殖數(shù)量的同期對比，而數(shù)據(jù)點在縱軸上的變化情況則可以反映某個地區(qū)的養(yǎng)殖數(shù)量隨時間的變化情況。圖5中地區(qū)和時間的范圍都是可選的，用戶可以通過簡單的點拉操作選取自己想要查看的地區(qū)、時期或者其他維度。圖5中的數(shù)據(jù)還可以通過表格、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

設計數(shù)據(jù)分析采用Oracle11i作為目標數(shù)據(jù)倉庫，運用Oracle與Warehouse Builde 2.1，實現(xiàn)操作型數(shù)據(jù)庫的ETL（抽取、轉(zhuǎn)換、裝載）形成數(shù)據(jù)倉庫。運用Borland Delphi開發(fā)前臺，形成具有OLAP分析的功能[6]，決策樹的分類和FP-樹關聯(lián)規(guī)則的挖掘功能[7]是自主開發(fā)的。

1）實現(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，用戶可運用BDE連接Oracle11i數(shù)據(jù)倉庫，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控件分析并顯示結果，還可使用DecisionPivot控件來對數(shù)據(jù)進行切片、切塊、上卷和下鉆等。

2）實現(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發(fā)設計，分類與關聯(lián)規(guī)則挖掘功能得到基本實現(xiàn)[8]。使用ADO存儲和讀取數(shù)據(jù)倉庫中的數(shù)據(jù)，運用C++語言編寫數(shù)據(jù)挖掘算法得到動態(tài)連接庫dll文件。在Delphi前臺界面上，用戶可制定數(shù)據(jù)挖掘任務，定義能夠完成該任務的數(shù)據(jù)集，然后通過數(shù)據(jù)挖掘算法的動態(tài)連接庫方法的調(diào)用實行處理。現(xiàn)在通過規(guī)則的形式（if cl & c2 then r）的使用，給出系統(tǒng)中決策樹分類和關聯(lián)規(guī)則挖掘的結果[9]。

3 小結與討論

要想建成決策的數(shù)據(jù)倉庫必須具有巨大的數(shù)據(jù)量存儲，而且要發(fā)揮其強大的作用必須具備高層決策分析工具，所以建設成本普遍較高。在畜禽養(yǎng)殖業(yè)中應用還要考慮相關的基礎、社會需求和經(jīng)濟效益等問題，所以可先在某個特定的區(qū)域提取特征參數(shù)進行試驗，掌握一定規(guī)律量后逐步走向?qū)嵱谩?/p>

伴隨著社會的進步和大數(shù)據(jù)時代的到來，在大量數(shù)據(jù)中尋找可用的信息用于決策越來越重要[10]。畜禽養(yǎng)殖業(yè)類型眾多、復雜，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)庫系統(tǒng)無法解決原始數(shù)據(jù)精細提取和不同區(qū)域影響程度變化等問題。主要表現(xiàn)為過往的數(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，對數(shù)據(jù)處理和訪問的能力較低[11]。本研究運用數(shù)據(jù)倉庫技術，根據(jù)畜禽養(yǎng)殖相關參數(shù)如養(yǎng)殖數(shù)量、市場價格及飼料量等，找出相應的數(shù)學函數(shù)，直觀方式表現(xiàn)出來，為畜禽養(yǎng)殖決策提供技術基礎，同時也為解決上述問題提供了新的思路，從技術上解決了問題。

參考文獻：

[1] 沈春燕，馬 波.數(shù)據(jù)倉庫在漁業(yè)企業(yè)管理中的應用研究[J].管理實踐，2007（12）：35-37.

[2] 彭朝海.基于數(shù)據(jù)倉庫的決策支持系統(tǒng)[J].四川工業(yè)學院學報， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數(shù)據(jù)倉庫中的決策支持[M].北京：北京理工大學出版社，2001.

[4] 張 杰.數(shù)據(jù)倉庫技術應用研究[J].電子技術與軟件工程，2014（5）：192.

[5] 周學全，張志杰，張篤行，等.綜合決策支持系統(tǒng)中數(shù)據(jù)挖掘功能的設計與實現(xiàn)[J].計算機測量與控制，2010，18（1）：161-163.

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

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

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

[9] 齊 平，陳 文.數(shù)據(jù)倉庫和數(shù)據(jù)挖掘在農(nóng)業(yè)輔助決策支持系統(tǒng)中的應用[J].銅陵學院學報，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農(nóng)業(yè)結構優(yōu)化決策支持系統(tǒng)的數(shù)據(jù)指標體系及數(shù)據(jù)倉庫設計[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)倉庫與數(shù)據(jù)挖掘的會計決策支持系統(tǒng)研究[J].河南科學，2011，29（2）：210-213.