欢迎访问一起赢论文辅导网
本站动态
联系我们

手机:153 2730 2358
邮箱:910330594@QQ.COM

Q Q:
910330594
网址:http://www.17winner.com
工作时间:
9:00-24:00  

机械论文
当前位置:首页 > 机械论文
基于大数据的决策支持系统展望
来源:一起赢论文网     日期:2016-04-25     浏览数:855     【 字体:

第七部分大教据与■箅4 4 7基于大数据的决策支持系统展望王传启> 2, 张陈斌> 2, 陈宗海U 2( . 中国科学技术大学自动化系, 安徽合肥, 中国, 2 3 0 0 2 7 ;. 中国科大-象形大数据商业智能联合实验室, 中国科学技术大学先进技术研究院, 安徽合肥, 中国, 2 3 0 0 3 1 )摘要: 本文分析和总结了决策支持系统的发展过程以及面临的问题, 基于大数据理论的特点及其关键技术, 阐明该理论在协助决策支持系统解决当前问题中的积极影响, 深入说明决策支持系统与大数据理论二者融合的合理性和必要性。最后, 在总结决策支持系统及其传统结构的基础上, 本文提出一种新颖的决策支持系统与大数据技术协同作用的结构模型。关键词: 大数据; 决策支持系统; 挑战; 大数据决策支持系统中图分类号: TP 3 9 1Pro sp ect ofDeci sio nS up p o rt Sy s temB a sed on Big Da taWangChuan-q i’ 2, Zh angChen- bin, 2, Chen Zo ng-hai, 2( . D epa rt mentof Automa tio n , Uni versity o f S c ienc e an d Tec hnology o fCh ina . Anh ui, Hefe i, 2 3 0 0 2 7 ;. USTC -ETHINKB igData Busine s s Int el l ig enc e Jo int La bora tory , I nsti tut eo fAdv an ce dTec hn olog y,Uni versi ty of Sci raic e a ndTec hno logyo fChin a He fei , A nhui , He fei , 2 3 0 0 3 1 )Ab s tr ac t :Thispaper ana lys e s an d summariz es t he developm entof deci s i o nsupport  sy ste ma ndthe probl ems that thes ys temface d, i l lu stra tes thep os it ive impact of bi gdata theoryonde ci s ion supp or t s ys te min figurin go ut thes eprobl ems ,bas e don i ts ch ara cteris tic an dkey te chnology,and elabor ate s  the r ea sonab il i ty an dne ce ss it yof combini ngdec i s ionsupp or t sys temw ithb ig data theory i n depth . Fin al ly, bas e do nthe su mma ryof dec i s ion support sys t emand itstra diti on al s tructure , thi s paper propos es  an ove l s truc turemode lo fde ci s ion support sys temc ooperatedwi thbigdatatec hno logy.Key word s :Bi gDa ta ;Deci s i on Suppor t Sys tem ;Chall enge s ;Bi gDataD eci s i on  Support Sys tem (BDD SS)i 引言业层面乃至个人层面, 数据作为一种无形的资产, 越来从2 0 世纪7 0 年代的新石油”, 其重要性和受重视程度可见一斑[ ]。大数据时代, 麵呈辦式增长, 企业在进行生产或者提供服量的研究。研究者们研究各种决策分析方法, 通过多学々《、+认f- m h u务的过程中, 产生了海量的密集型多源异构数据, 这给科交叉并结合后续发展的人工智能、网络通信、信息处+ 决策支持系统带来了严重的挑战。而大数据涉及的数据理等技术, 解决了一批典型的决策支持问题。决策支持m u系统不断朝着规范化和科学化的方向向前发展St,j近年来,《大数据” 已成为学术獅工程界普遍关有效A 。2 0 1 2 月美国政府推出了包括大数据的管理、分析、可视化以及大数擁職策等项目的“ 大汪的热点[ ’ ]。随着时间的推移, 由于大数据技木与各行J, ,, ,T 3 1I I数据研究与开发计划[ ]。大数据技术的进一步研究和应各业结合, 使得其得天独厚的优势渐渐凸显, 尤其在企mV丨丨田主曰八用, 必将成为企业决策支持系统发展的强劲动力, 并为业界表现得最为明显。目目1 1 , 无论是在国家层面还是企其打开一扇崭新的大门。作者简介: 王传启( 1 9 9 3 -) , 男, 安撤, 硕士研究生, 主要研究方向为大在文章的第二部分, 首先简述了D S S 的发展历程,数据、决策分析; 张陈斌( 1 9 8 〇-) , 男, 江苏, 副研究员, 从事复杂系统建剖析了D S S 目前在发展上遇到的困难, 然后结合大数据模、分析与控制研究; 陈宗海( 1 9 6 3-), 男, 安徽, 教授, 从事复杂系统建、从> ,胃与_、帛式识别与智能机器人等研究.的概念和相关技术, 进一步说明两者结合的合理性和必4 4 8系统仿真技术及其应用? 第1 6 春要性; 第三部分提出了基于大数据的决策支持系统的概决策支持需求, 这种结构不断被扩展和组合, 但大体框念, 进一步给出初步的框架结构; 在本文的最后, 对基架不变。另一种是基于知识的体系结构, 即“三系统”于大数据的决策支持系统做了总结, 并对其发展前景进结构, 是B oncz ek 于1 9 8 1 年提出的[ ]。这种DSS 结构由行了展望。语言子系统、知识子系统和问题处理子系统三部分组成,决策支持罕统和大数据雜姻麻[ ]。辟Aff ]雄雜驗細±浙?分修改, 如Ho l sapple 框架增加了显示子系统。. 决策支持系统的发展及现状決策者决策支持系统发展至今仍没有统一的定义, 很多关y于DSS 的专著[ 6' 考虑到严谨性, 也只是对其做了一个;广义的特征定义。这里我们引入一个相对主流但是比较人机对话系统狭隘的D SS 定义。决策支持系统是以管理科学、运筹学、数据库管理模型库管理方法库管理知识库管理控制学和行为科学为基础, 以计算机技术、仿真技术和_ 罕__系统丨系统__系统' 信息技术为手段, 以人机交互方式辅助决策者进行半结I构化或非结构化决策, 具有一定智能行为的人机交互的数据库模型库方法库知识库计算机应用系统[ ]〇DS S 是由美国S co tMo rton 于2 0 世  1丨.丨纪7 0 年代在《管理决策系统》-文中首先提出来的W,fl lE g jf DS S g^Figu re 1St r uctur e o f fo ur li br aries d s s是在管理信息系统和运筹学的基础上发展起来的; 数据库及其管理系统、图形专用软件、各类软件开发工具等| 」II均为广泛的开发和应用DS S 提供了良好的物质基础和技决策者YH术准备[ ]。I'‘ 子系统统子系统决策支持系统的产生, 对决策过程的积极辅助作用, ̄ ̄开辟了一个新的应用科学领域, 显示出强大的生命力。决策支持系统的应用已深入到企业管理、商业、金融、图三系统DSS 结构等各个领域, 为经济发展、社会进步做出了重大的贡献。Pi gnn^St rurture crf t h ms s ys t en is dM随着应用的拓展, 决策过程出现的信息越来越多, 也越随着用户对决策质量要求的不断提髙, 智能决策系来越复杂, 原先决策支持系统单纯的数值分析方法远远统渐成为主流。ID S S 是在DS S 的基础上发展而来的, 可不能满足决策者的需求。在这种情况下, B cmcz ek 等在以由DSS 基本结构通过分解或增加某些基本部件而演变2 0 世纪8 0 年代初期提出智能决策系统( Intel Uge nt出多种形式[ ]。Ho l sap pl e 等总结了系统的对决策过程的D eci si on S upport Syst em, ID S S ) 思想' 将人工智能中的支持能力和学习能力, 把IDS S 分为类[ 1 2 ]: ①被动支持,专家系统和知识处理等方法引入决策支持系统中, 以专无自适应性; ② 被动支持, 自适应; ③ 主动支持, 无自家的决策过程作为模型, 提炼专家的决策经验作为启发适应性; ④主动支持, 自适应。Mirchan dani 等从知识系式规则, 在决策阶段的全过程为决策者提供更加有效的统进化的角度讨论了IDS S 模型[1 4 ], 从系统的知识、学习支持。D S S 的概念从1 9 世纪7 0 年代开始形成, 到8 0 年和进化能力来看, 系统的智能在逐步加深。由于IDS S代与人工智能等技术的结合, 导致决策支持系统得到蓬是基于知识的决策支持系统, 而知识表示方式和管理方勃发展。1 9 8 0 年代后期, 高级主管信息系统( Excuti ve式仍然在快速发展, 因此, 很难对IDSS 进行归纳总结。Informatio nSys te ms, EIS ) 、群体决策支持系统( Group这里, 我们列举四个比较有代表性的IDS S , 分别是: 主De ci si on Suppo rt Sy st ems,GD SS ) 与组织决策支持系统动决策支持系统、决策专家系统、自适应决策支持系统( Orga niz ati on alDe ci s i on Support S ys tems , ODSS ) 等以及综合决策支持系统。在表中[1 3 ], 分别从知识库类等概念, 逐渐将DS S 由个人取向, 转为模式导向与群型、知识的完备性、知识创新能力、决策过程理解、主体导向。要推理方式、主要决策工具方面对四者的主要特征做了总结DS S 的发展可以沿着两种D SS 体系结构展较为详细的对比。列举这四个典型ID S S 主要是从系统智开[1<)], 其中, 第一种是基于X 库的体系结构, 由Sprague能的角度考虑, 表的各项比较指标基本上涵盖了针对提出的两库结构展开[11], 随着技术的进步和丰富, 逐步D S S 的智能含义, 四者并不是互斥的关系, 而是相互补发展成四库系统, 结构如图所示[ ], 包含人机对话系统、充和包含的关系。数据库、模型库、方法库、知识库。为满足不同类型的第七部分大数据与算4 4 9表智能决策支持系统模型的比较Ta be l C omp a rison  of inte llige nt  de cis io nsup por t sys t e mmod el s知识库类型知识的完备性知识创新能力决策过程理解主要推理方式主要决策工具k动D S S静态完备无冲突无有采用预先定义的过程模型、数据、认知模型决策专家系统静态完备无冲突无可以没有滇绎推理知识库自适应DS S动态允许不完全和冲突有一般有演绎和归纳推理数据、智能决策模型、知识库综合DS S动态允许不完全和冲突有有演绎、归纳、基于范例推理认知模型、机器学习、知识库. 大数据的特点及关键技术件的隔离, 具有大规模并行计算与海量数据操作处理能^ 4, 6 6 ^W  [1 4 ]力。云计算能为大数据提供强大的存储和计算能力。云冋D S S—样, 大数据至今也没有统一确切的定乂1 4。+大数据科学家Mm Ra麟提到-个简单的定义, 大数据t t 、就是超过了任何-个计算机处理能力的庞大数据量[5]。虽===展趋势就是不断提高头时交互式的查询效然定义暂时没有得到统一, 但是大数据的特点在学术界率和^甘士、撕ri 迅田妆“ +撕? ” 最典型的分布式文件系统[ ]是Go o gl e 的GFS , 部分基本达成一致。目刖, 学界将大数据的特点归纳为^=^u^a四个T:— 是数据体量巨大( Vdume ); 二是数麟型繁多( Varie ty ); 三是实_艘求高( Ve lo e i ty ); 四^f^ t是价值密度低( Value )[明。Vi ctor 在其大麵专著中牛^^代强调[ ' 大数据不是随机样本, 而是全体数据; 不是精码等特点,确性, 而是混雑; 不麵果关系, 而是相关关系。大数据是一种全数据模式, 允许数据的杂乱性, 最重要的是要把重点从之前的因果关系转移到相关关系上, 可以. 大数据时代D SS 面临的挑战和机遇ifcit?。进入大数据时代, 由于数据特点的变化, 技术产品大数据的总体架构包括二层, 麵存储、数据麵和应用都纷纷面临巨大的挑战, 决策支持系统也不例外。和数据分析。、类型复杂和海量由数据存储层解决, 快速决策支持系统的概念从提出至今已四十多年, 在很多领綱效性要求由数据处理层解决, 价值由数据分析层解域都有较为成功的案例, 但是, 近年来面临数据量急剧决。数据先要通过存储层存储下来, 然后機数据需求增加縣的诸多问题的考验。另外, 决策环境的不确定性、信息的不完全和不精确性、决策信息的分布性特点据进行分析产生健。而巾麵时效性又删: 巾I嘯据等綱DS S 紐— 步紐腿了画目前主要存在处理层提供的强大的并行计算和分布式计算能力来完'成。三层相互配合’ 让大数据最终产生价值。大数腫信息孤岛。如今, 决策支持系统虽然应用比较广泛,术主要指从各种类型的数据中快速获取有价值信細技主要都是一些单项案例的应用[S], 甚至在很多企业有多术’ 是-系列收集、存储、管理、处理、分析、共享和麵向不同决策主题的决策支持系统, 这些DSS 都分别可视化技細集合t ]。大麵纖B经麵敝量新離撤自隱_, 離自治, 佩之隨有信息交流,术’关要数据_、?学5 3 ' 自造成决策信息的不全面, 麵导致决策质量不高。& 语言处理、网络分析、分布式文件系统、分布式缓存传统数据库技术与存储能力受限。D SS 糊機的系统、、分〒式数据库系统、f关系型数据库系统、可视数据库进行数据存储, 其存储能力有限。除此之外, 传■ 技术、s it胃胃。Tfl 对麗? [ 统賺辦部署不能麵TB 細数据, 也不能很好地简要介绍。_支持高级别的数据分析[1 5 ]。这种客观上的原因, 导致D S S石计算是分布式计算、并^计算等传统计算机技术对非结构化的决策问题支持不够間。随着科技的发展,¥网络技术发展融合的产物。云计算是- 种分布在大M如传感器、物联网等数据收集技术的发展, 企业生产或機据中心, 能动态地提供各种服务器麵以满足各个服务数据与日俱增, 且对非结构化数据的糊需求越来领域需求的计算平台[1 8 ]。云计算的核心思想是将大量的计算资源酬链S ’ 进賴- Wf獅職, 纟賊-麵麵异祕无法麵。* DS S 糊娜库、模辦等触决策之前, 觀财种来鮮體式的翻麵的集成和优化、数据中心的分布式管理、硬件和&进行统一的格式转换与清理。耐日益多样化的数据来4 5 0系统仿真技术及其应用? 第1 6 卷源的决策支持系统, 在数据清理过程中对数据的属性进益, 进而推动大数据技术能够继续向前发展。由此可见,行统一和规范变得越来越困难。而且在此过程中冗余数两者是相辅相成的, 两者的融合具有合理性和必要性。据、错误数据和异常数据难以快速辨识并消除。基于大数据的决策支持系统将呈现下述特点。智能化、可视化程度低。从DS S 到IDS S , 在决策的数据存储和分析功能更加强大。在大数据时代, DS S智能化上花费了研究工作者大量的心血, 虽然成效斐然,的基础数据除了结构化数据, 还有大量的非结构化数据,但相对于越来越高的智能化需求还是显得捉襟见肘。大包括声音、视频、图片等。基于大数据的数据分析有着多数DS S 在决策支持中的作用都是被动的, 不能根据决天然的优势, 可以利用分布式并行计算进行决策求解,策环境等条件的变化主动提供决策支持。另外, D S S 对重点发掘有价值的相关关系并加以利用。决策中常见的模糊、定性以及不确定问题缺乏相应的决智能化和可视化不断提高。大数据技术拥有强大的策支持[1 3 ]。可视化是继智能化之后又一突出需求, 决策数据分析能力, 结合大数据技术的决策支持系统能够自者不仅满足于决策的结果, 还需要关注决策的过程, 决发地从海量数据中挖掘出有利用价值的关联规则和规策过程的可视化是通过创建图片、图表或动画等方式,律, 形成知识, 直接作用于决策支持的过程当中, 使得使大数据分析结果更易沟通与理解[ 4]。决策分析更加智能。随着大数据技术的不断发展, 数据正是处于数据爆炸式增长的时代, 人们对数据的价处理的可视化程度也越来越高, 结合大数据技术的决策值越来越重视, 才导致了D SS 的尴尬处境, 应运而生的支持系统决策全程的可视化更是指日可待。大数据为DS S 的进一步发展创造了条件。大数据的分布企业级的全面的决策支持系统将成为关注的重点。由式存储技术可以有效解决海量数据的存储问题, 并对非于数据存储能力和计算分析能力的限制, 之前的D S S 都结构化数据有很好的支持。并行计算能大幅提升DS S 的过于碎片化, 没有一个强大的决策支持系统能为企业的多计算能力。大数据能够全面有效地利用好数据资源, 大方面提供决策支持的服务。这无疑是遗憾的, 由于信息孤数据的数据挖掘和机器学习可以自动发现海量数据中的岛导致了大量数据没有得到合理正确的应用, 而结合大数有用信息, 进而转化成有利用价值的知识, 从而优化决据技术的决策支持系统对海量数据有很强大的存储和分策质量, 使决策过程更为智能化。析计算能力, 大数据关心事物之间的相关关系, 使其更容基支^寺系*充易发现有价值的规律并用来更好地做决策支持。. 基于大数棚决策雜的特点. 2本文通过对决策支持系统模型的总结与归纳, 并据结合大数据处理的相关技术_, 提出了基于大数据的决策支持系统来辅助决策, 将大数据技木融入决策支持系统是DS S 进- 步发函必然选择。同时, 由于大麵在iBirtaD e c i si o n sup port S ys t em, b dds s)决策支持_t 可以给企业絲巨大随観济价值雜m( ¥_ lfT IO °—  ̄ ̄^方_趋势分析结构分析—b=dI 决策生策<)知识库统计分析数据挖掘支持^|层机器学习… …__}===dJ ̄一介丨数据p数据抽取数据清洗— _) 数据转换D 数据仓库丨预处|理层■ 」- 」」」I|大数据存储平台Ha d oo p 、Sp a rk数据^^: ||_H同|储层I图基于大数据的决策支持系统框架F i gu re F ra mew o r ko fD SS b a s e do n  b i g d a t a第七部分大教据与云计箅4 5 1该框架是三层结构, 包括数据采集与存储层、数据者融合的深入, 将会带来丰硕的成果。预处理层、决策支持层。最底层是数据釆集与存储层,A#^将企业生产现场数据、服务数据、业务流程数据等方面<¥知 t丄,丄丄z- Az ? 此加丄此jj=?一/^ -rf ? mm 山丄[1]GorryGA, Mo rton MSS .A fr ame wo rk fo rma nag eme nt各种结构的数据收集存储在大数据存储平台里, 现在大informatoi syste mstJ].Ma ss a chuse ts Instit ut e of  Te chnology,数据典型的存储架构有Hado op 、S park 等, 相较之下,m^pp[2]關, 王紐. 賴额纖舰訪法職驗m. 控制Spark 越来越成熟, 慢慢变成大数据存储的主流架构。数与决策,2 0 0 62 19): 9 6 1- 9 6 8 .据预处理层从大数据存储平台里进行数据抽取、数据清[3] 李国杰. 大数据研究的科学价值m ? 中国计算机学会通讯,2 0 1 2 , 89):  1 5 .洗、数据格式的转换, 进而将数据放在数据仓库以备后[4] 严霄凤, 张德馨. 大数据研究[ J]. 计算机技术与发展,2 0 1 3,续的决策分析使用。最顶层是决策支持层, 对数据处理?_[5] 徐子伟, 张陈斌, 陈宗海. 大数据技木概述C]. 系统仿真技层准备好的数据进行决策分析、数据挖掘, 再结合动态术及其应用学术论文集, 第1 5 卷,2 0 1 4 .更新的知识库、模型库和方法库导出决策方案。基于大【6] 高洪深. 决策支持系统(DSS)理论与方法[M]. 北京: 清华2 0 0 9数据的决策支持系统是— 个自学习、自计算、自执行、[7] 刘心报. 决k分析与决策支持系统_ 北京: 清华大学出版自评价的决策支持系统, 决策问题可以通过两种方式获社,〇〇..得,一种是传统的方式, 直接由决策用户提出来; 另—[8]种则是通过大数据强大的数据分析功能, 决策系统自己[9]Bo ncz ek R H, Hol sapple C W,Wh inston AB . Founda tions o f__deci sion suppor t syste ms[M]. Aca demi cP re ss,  2 0 1 4 .发现决策问题。每次决策执行后根据评价指标自我更新[1 0] 刘博元, 范文慧, 肖田元. 决策支持系统研究现状分析[J] . 系知识库、方法库和模型库, 为之后更优质的决策支持提f仿真学^. .[1 1] Spra gue  Jr RH .A frame work fo rt hede ve lopment  of dec is io n供坚卖保障。support sy stems[J]. MIS qua rte rl y,1 9 8 0 : 1- 2 6 .[1 2]Holsa pple CW,P ak at hR, Ja c o bVS, et  a l. Learningby problem结论proc es sors : ad aptive dec ision support systems [J] .D ec is ion""Suppo rt  Systems, 1 9 9 3 1 02): 8 5 1 0 8 .文章通过回顾决策支持系统的发展历程, 结合大数[1 3]仑卫策支縣统: 研究现状与挑战[J]? 系统工程学报,2 0 0 21 7( ) .据时代的形势, 总结了决策支持系统目前存在的问题,[1 4] 陶雪娇, 胡晓峰, 刘洋. 大数据研究综述[J]. J ourna l of System进一步指出解决这些问题的方案, 即, 将大数据技术融冏“ 大数据” 时代决策支持系统織娜信入决策支持系统, 形成基于大数据的决策支持系统。文息安全与技术,2 0 1 348): - .章对大賴的特点和关键技术做了简要的介绍, 分析了问邮决策支持系统结合大数据的合理性和必要性。最后给出[1 7] Ma yer- Sch dnbe rger V,Cukie r K_ Big data: Are volutio n t hat wi ll? ^ 十? 如丄丄/ u、r aa *.t ra nsfo rm how we  l ive , wo rk, and think  [M].HoughtonMifl in基于大数据的决策支持系统的基本架构, 为今后的进一步研究奠定了基础。虽然目前这两项技术都未发展成熟, 間崔曼, 薛惠锋. 基于云计算的智能决策支持系统研究[J]. 管理现代化2 0 1 4 ⑵ : 7 2- 7 4 .尤其是大数据起步比较晚, 而且针对两者如何无缝融合[1 9] 夏火松, k 化春. 大数据环境下舆情分析与决策支持研究文的研究也将困难重重, 但是, 基于大数据的决策支持系献综述[J]. 情报杂志, 1 52).统是未来决策支持系统发展的必然趋势, 并且, 随着两

 

[返回]
上一篇:协同创新、空间关联与区域创新绩效
下一篇:切换网络下时变线性多智能体系统的指数同步