电信决策支持系统中数据仓库架构设计

数据仓库（Data Warehouse）和数据集市（Data Mart），是决策支持系统（Decision Support System）中的重要组成部分。它们支持联机分析处理（OLAP）、ROLAP和MOLAP，利用元数据（Meta Data）来定义分析指标（Measure）和维度（Dimension）。数据模型包括星型模型（Star Schema）和雪花模型（Snow Schema），同时支持数据钻入和数据钻出（Drill Down / Drill Up）、表旋转（Table Rotation）以及数据挖掘（Data Mining）。

数据仓库技术是在充分利用信息资源的迫切需求下迅速发展的国际前沿研究领域。分析了传统决策支持系统开发中存在的问题，并探讨了数据仓库技术在决策支持系统建设中的应用。文章提出了基于决策支持系统的基本结构框架，并讨论了数据仓库在数据组织与设计、数据挖掘以及知识发现等关键技术层面的应用。最后详细阐述了系统建设的方法。

决策支持系统整合大量数据，结合模型，通过人机交互协助决策者科学决策。涵盖传统决策支持系统、智能决策支持系统、数据仓库与数据挖掘、综合决策支持系统。

数据仓库：决策支持的数据基石 数据仓库并非简单的数据库，它以支持管理决策为核心目标，具备以下鲜明特征： 面向主题: 数据组织围绕特定主题，如“产品”、“客户”等，提供决策所需的简明信息视图。 数据集成: 整合来自多个异构数据源的数据，消除信息孤岛，构建统一数据视图。 时变性: 数据存储包含时间维度，记录历史变化，为决策提供全面的时间视角。 非易失性: 数据相对稳定，主要用于分析和查询，与实时操作数据分离，确保数据安全。 数据仓库作为决策支持数据模型的物理实现，为企业战略决策提供信息支撑，并通过整合异构数据源，构建支持结构化查询、分析报告和决策制定的体系结构。

在数据挖掘领域，设计一种优化决策支持系统的方案至关重要。

Oracle数据仓库系统的逻辑体系结构包括三层：1. 数据获取层，2. 数据管理层，3. 数据使用层。

基于数据挖掘技术，研究了一种体育训练模式决策支持评估系统。分析了关联规则算法，详述了数据的预处理、数据挖掘和模式评估功能。重点讲解了关联规则对体育评价决策支持系统中相关的数据融合处理，提出了改进Apriori算法输出模式，提高了系统评估的效果。通过仿真对比，改进Apriori算法有效实现了体育训练模式的决策支持。

利用构件化生长模型开发的作物管理决策支持系统，提高农作物生产效率。

电力营销综合管理与决策支持系统（LDMDS）集成了统计分析、专家系统、人工神经网络和模糊逻辑等多种技术，提升电力企业的数据处理能力和智能化管理水平。系统基于管理信息系统（MIS），通过建立模型库、方法库和知识库，对电力生产、销售和宏观管理进行定性和定量分析。利用专家系统和人工智能技术，LDMDS能够在复杂或不确定的情况下提供决策建议，实现对电力系统智能化管理。系统采用数据仓库技术，通过DB2 Warehouse Manager整合、清洗和规范海量电力营销数据，生成多维数据表，支持在线分析处理（OLAP）和管理报表。LDMDS还利用IBM DB2 Intelligent Miner进行科学建模，运用神经元网络和径向基函数预测等算法，建立趋势分析和预测模型，确保决策支持的科学性。系统运行在先进的IBM软硬件平台上，确保了高效稳定的运行。前端展现方面，LDMDS采用展望软件公司的工具，提供灵活多样的数据展示方式，便于管理层直观了解企业运营状况。系统具备强大的安全机制，如WebSphere Application Server V5的安全授权和SPI，确保了数据和服务的安全。系统设计具有高度的可扩展性，业务逻辑以插件形式存在，允许根据业务变化快速调整。在辽宁电力有限责任公司的案例中，LDMDS成功实现了数据共享、数据挖掘与多维分析、开放性和安全性等目标，证明了该系统的实用性和有效性。