物流信息系统
朱春鹤
第八章 支持物流决策的模型及信息分析技术
?利用物流管理信息系统解决了物流数据处理的
基本问题，进一步 利用其数据与信息进行分析、
支持物流企业领导决策是物流信息系统进一步
发展的必然要求 。
?本章介绍决策以及决策支持的相关概念，以及
物流决策的一般方法、物流决策模型和预测技
术，然后介绍决策支持系统、物流信息分析技
术和物流系统模拟。其目的是使读者掌握基于
决策的支持方法。
第一节 概 述
?一、决策支持与模型
? 自 20世纪 70年代 DSS的概念提出以来，
随着决策理论、信息技术等相关技术的
发展，决策支持系统的研究与应用水平
不断提高，尤其是 人工智能,Internet、
DW,DM,OLAP等的发展，为 DSS提供
了强大的技术支持,DSS的应用取得了
显著的成效。
?(一 )典型决策支持系统的组成
? 一个典型的决策支持系统 (即“三库”
系统 )主要由 数据管理子系统、模型库管
理子系统、方法库管理子系统、用户界
面子系统和用户 组成，
?数据管理子系统由 数据库 (DB)和数据管
理库系统 (DBMS)组成，完成 对数据仓库
的维护、使用 等功能。
?数据仓库的数据通常 从内部和外部数据
源中抽取。
?模型库管理子系统由模型库 (MB,Model
Base)和模型库管理系统 (MBMS,Model
Base Management Systems)组成。模型库
中存储了包含描述决策问题的相对独立
的子模型。
? 方法库管理子系统由方法库 (M*B：
Method Base)和方法库管理系统 (M*BMS：
Method Base Management Systems)组成。
?方法库 存储了解决决策模型的各种方法,
例如各种寻优方法等。方法库管理系统
则是对方法库中方法进行管理 (包括描述、
增加、删除、修改、使用等 )，为决策模
型求解的需要提供方法的支持。
?用户界面子系统 (User Interface)是用
户与 DSS决策支持系统之间 交流的界
面,用户和系统进行交互式对话，
用户向系统完成问题的描述，而系
统将处理的结果报告给用户。
? DSS的用户主要是指企业各层次
的管理者和分析人员 。
?许多非结构化和半结构化的问题非常复
杂，以至于除了通常的 DSS能力外，它
们还需要特别的专业知识。因此 DSS也
由“三库”结构，发展为“四库”结构
(增加知识库，即 IDSS)、“五库”结构
(增加知识库、数据仓库 )。
(二 ) 模型
?所谓模型就是 对问题的要素以及
要素之间关系的一种抽象表示,
?例如简单的二元一次方程组就可
以用来描述具有两个要素，且要
素之间是线性关系的某问题。
? 模型集 (如财务风险分析模型集 )都有特定的职
能，灵敏度分析模型是其中应用最为广泛的模
型之一。它通过重复的“如果 …… 则”的方法
来确定一个或多个要素的变化对其他要素 (如支
出额 )的影响或影响程度。
?为了在标准变化的情况下更好地预测支出情况
“如 …… 则”问题，从已知条件或假设条件出
发，允许用户根据标准的不同检测结果，“如
果把售价提高 5％或把广告预算增加 100,000
美元将会怎样呢?”“如果保持价格和广告预算不
变则又如何呢?”后向型灵敏度分析软件应用于
目标搜索：如果想在明年售出一百万个产品单
位，那么产品的价格应降多少?
(三 )管理信息系统和 DSS的决策支持能力的比较
?由于高层管理具有非结构化和流动性因素的特
点,管理信息系统对高层的决策支持能力较弱 。
如高级管理人员对公司的关键成功因素法产生
分歧或者公司面临一场危机而急需战略变更，
而原有的关键成功因素法已不适宜进行决策。
在现存系统的基础上整合决策支持系统，即系
统的创建者确实知道决策支持系统的信息需求，
但想利用现有的管理信息系统来满足这些信息
需求也许是不可能的，这是因为管理信息系统
早已用不同方法定义了重要的数据。
? 管理信息系统集中于结构化的信息流，
而决策支持系统强调的是变化、灵活和
快速反应。决策支持系统较少涉及用户
联结结构化信息流和相应的较强调模式、
假设、随机访问、列示图表的需求。
? 决策支持系统和管理信息系统都依赖于
专业化的分析设计，然而不同之处在于
管理信息系统通常遵循传统系统开发的
方法论 (如：生命周期法 )，在设计前及其
整个生命周期中确定信息需求，而决策
支持系统则是自觉地反复地并且不会被
中断确定用户需求。
二 决策支持的方式
?（一）两种基本的决策支持方式
?当今存在两种基本的决策支持系统,模型驱动
型和数据驱动型
? 早期的决策支持系统从公司数据库抽取数据、
建立模型，是典型的模型驱动型的决策支持系
统。近来随着数据处理和数据库技术的发展决
策支持系统正向数据驱动型的系统发展。
?1．模型驱动型决策支持
? 模型驱动型决策支持系统是发现问题
的 影响要素 和 内在关联,利用模型和数
据，建立问题的模型，然后 求解模型,
以 达到找到决策问题的方法,或者按照
构造的模型指导行动。
? 2．数据驱动型决策支持
? 第二种决策支持系统是数据驱动型的。
这种系统的分析来自主要组织系统的大
量数据。它允许用户从原来隐藏的大量
信息中选取有用的信息。
?例如可以从 DW里得到，然后 利用在线分
析程序和 DM技术可用来分析这些数据,
回答用户关心的问题，如“编号为 403的
产品在 2002年 5月装运出多少?”“以季度
为单位比较编号为 403的相关产品的实际
销量与计划销量”。
? 根据决策支持层度和难度的分析，可
知 数据驱动型的 DSS比模型驱动型的 DSS
应用更广 。
? (二 )以数据驱动型的
决策支持系统的元素
数据驱动型的决策支
持系统包括一个应用
于查询和分析的数据
单元、一定模式的软
件、数据分析技术和
用户界面，如图 8—1
所示。
?1．数据单元
? 决策支持系统的数据单元是当前和历史资料的
汇总。它可能是存处于一台个人电脑上的公司数
据资料的一部分，它可能包括一部分外部信息。
?另外，决策支持系统也可能连接的是一个被组织
传输协议系统不断更新的超大数据库。决策支持
系统中的数据单元大多是产品数据单元的复本，
以便使用起来不会影响其他系统的运行。
? 2．分析软件系统
? 分析软件系统包含用于数据分析的软件
工具，它包括各种在线分析程序,DM工
具等分析模型，并且这些工具很容易为
用户所用。
?3．用户界面
? 用户界面具有简单易用的画面、灵活
的用户支持界面支持用户和系统间的对
话，使用户可以容易地使用这些软件工
具。
?三、决策支持系统应用实例
? 决策支持系统已经应用许多方面，表 8—1给
出了部分应用实例。沃尔马采用的是数据驱动
型的决策支持系统，加拿大卡普国际系统 (Carp
?Systems International of Kanata,Ontario)销售的
高级策划系统 (APS)能使用原有的 MRPⅡ 中的
数据并使其具备决策支持功能。
第二节 物流的决策模型与预测模型
?一、物流决策的种类
? 在第二章，通过对物流系统以及主要业
务和业务流程的分析可知,物流系统中
除了数据处理和结构化决策外，还有大
量的半结构化和非结构化决策 。
? 运输中的决策 主要包括选择较合理的运输方式和路线、
具体物品的运输物流计划。
? 储存中的决策信息 主要是物品出库规则、最低库存量、
安全库存量、最高库存量、订货策略等。
? 物流加工中的决策 主要有加工方式、加工周期、加工
报价以及相关的配套决策。
? 配送中的决策 主要是如何按用户的需求，在充分利用
资源的前提下，确定备货规模、物资来源、配送方式、
配送路线等。按配送商品的种类和数量分类：少品种
(或单品种 )、大批量配送；多种品种、少批量、多批次
配送；成套配套配送。按配送时间及数量分类：定时
配送；定量配送；定时定量定点配送；即时配送。按
配送的组织形式不同分类：集中配送；共同配送；分
散配送。不同的配送有不同的决策要求。
二、物流决策的相关模型
?每个模型有各自应用的假设或者前提，
因此模型有各自适应的应用范围。而不
同的决策问题有不同的特点和结构，不
同的决策者有不同要求，有自己的决策
偏好和决策风格，因此在采取模型驱动
型的决策支持时，应该根据上述因素，
选择合适的模型。
?表 8—2从决策问题、可采用的相关模型、
模型使用的效果、模型使用的条件、模
型使用需要的主要相关数据以及求解方
法等方面，对物流中的部分决策可用的
主要相关模型进行了描述。
三、预测模型
?决策离不开预测，预测能够在一定程度上反映
客观事物发展的趋势,因此能为正确的决策提
供一定信息。物流预测能为 科学地编制物流经
营计划和物流业务计划、调度提供参考 。只有
通过物流预测，才能了解宏观物流活动发展动
态，分析对象发展趋势从而避免盲目地编制物
流企业的作业计划和宏观计划，有利于提高现
代物流经营管理水平，为正确地经营决策打下
基础，有利于分析各种变化对物流企业的影响，
有利于为物流企业的管理现代化创造良好的条
件。
(一 )预测的概念
? 1．预测的概念
? 预测是一门掌握对象变化动态的科学，
它是对对象变动趋势的预见、分析和判
断，也是一种动态分析方法。
?2．预测的基本步骤
? (1)确定预测目标，包括预测对象、目的、
对象范围；
? (2)搜集分析内部和外部资料；
? (3)数据的处理及模型的选择；
? (4)预测模型的分析，修正；
? (5)确定预测值。
(二 )预测的方法
? 预测的准确程度不仅取决于对错综复杂的对象发展变
化情况掌握的程度，而且还在于采取怎样的 预测方法,
特别在占有资料的同时要选定适合的预测方法。预测
方法一般有 定性分析预测法和定量预测法,其中定性
预测包括集合意见、用户意见法 (对象调查法 )、员工意
见法、专家评估法、类推法、判断预测和目标分解法
等；定量预测方法包括：情景分析法、时间序列分析
法 (移动平均，指数平滑，季节系数,DOx—
TENKENS法 )、因果分析法 (线性，回归，非线性模型：
含生命周期法，经济计量模型，灰色系统模型,状态
转移分析法，模拟法，系统模型 )等。
? 1．定性预测
? 它是在对象调查的基础上，根据预测者个人经验，
阅历，学识和智慧，采用类比分析和综合的方法对对
象进行直观判断的方法。根据对象，可分为：
? (1)集合意见法 (三种估计加权预测法 )，它是一种加
权综合判断法；
? (2)用户意见调查法 (设计调查表 )；
? (3)员工意见法；
? (4)专家意见法；
? (5)类推法。
? 2．定量 (分析预测 )
? (1)时间序列分析法。这种预测对时间序列的
原始数据要求：在时间上具有连续性 (如果 1～ 5
月中除 4月都有数据，可采用合适的平均值办
?法补足 )；数据之间的可比性 (例如，每个月天
数是不同的，可化为相同的天数先求出某月每
天的平均销售量 )；应可采用交叉预测如预测 9
月，可用 1月～ 9月也可用不同年份 9月数据 )。
?时间序列可划为四种变化特征：趋势性 (T)、季
节性 (s)、周期性 (c)、不规则性 (I)，可以利用散
点图识别来变化特征。
? 时间序列分析法一般有方法：简单平均、移
动平均、加权移动平均、指数平滑、一元线性
回归、相关比例推算。例如：
? 一元线性回归 (趋势外推 )Y=a0+a1*x
? 系数用最小二乘法确定系数,a0 a1
? 相关比例推算 (首先找出影响产品销售量，主要因
素，再据各种比例关系，推出预测值 )。例如，某
第三方物流企业市场的需求预测 (如表 8—4所示 )。
?2)回归预测：
? 一元线性回归 (趋势外推 ),Y=ao+a1’x
? 多元回归 (因果关系 ), Y=ao+al。
X1+a2x2+…+anx 。
? 系数用最小二乘法确定系数,a0
a1．．,aIl
?(3)非线性模型：
? Y=A+B*LOG(X)
? Y=1／ (A+B。 EXP(一 X)
? Y=1／ (A+B”X)
? Y=X／ (A+B’X)
? Y=A。 )(^B,(A>0)
? Y=A’EXP(B。 X),(A>0)
? Y=A’EXP(B／ X),(A>0)
? Y=A’ExP(B。 x“2),(A>0)
?将以上模型进行线性处理再转化为一元回归模
型。
? (4)灰色预测模型 GM(1,1)。
? (5)组合预测。采用不同合理的模型预测
后，再进行回归得出组合预测模型。
? (三 )预测模型选取的原则
? 据有关研究资料表明，以预测方法应用多少
为标准进行从大到小排序是,回归分析、指
数平滑、数量经济模型、专家会议、主观概率
法、多变量时间序列模型、趋势外推、抽样调
查、移动平均、投入产出、相关数、类推法等；
在高层次经济预测方面以国家统计为例，主要
应用数量经济模型、其他有投入产出模型、回
归分析、移动平均等；在低层次方面为专家会
议、类推法、移动平均、主观概率法、指数平
滑、回归分析等。
? 定量预测、定性预测和计算机相结合是
当今预测的主导方向。神经网络预测理
论、基于规则的预测系统、专家预测系
统、判断预测、组合预测是当今世界预
测科学发展的最新动向。
?模型选择的原则：要在数据识别上建模、
建立何种模型，并不取决于预测者意图；
应考虑适用、数据易采集和时效的原则；
定量与定性相结合的原则等。
? 对数据选取选用的原则：数据应该具
有代表性，有一定客观规律。对于异常
的数据可采用比例法、移动平均、指数
平滑等方法进行适当的修正。
第三节 支持物流决策的信息分析技术
? 一、数据仓库
? (一 )基本概念
? 1．数据仓库的定义
? 什么是数据仓库，有不同的看法：
?, DW是作为 DSS服务基础的分析型 DB，用来存放
大容量的只读数据，为制订决策提供所需的信息。”
?, DW是与操作型系统相分离的、基于标准企业模型
集成的、带有时间属性的 (即与企业定义的时间区段相
关 )、面向主题及不可更新的数据集合。”
? 综合对数据仓库多种理解以及其作用，
数据仓库可以定义为支持管理决策过程
的、面向主题的、集成的、稳定的、不
可更新的、随时间变化的、分层次的数
据集合。它是一个综合的、面向分析的
数据环境，利用现有的数据进行分析和
推理，从而为决策提供依据而建立的综
合体系。
? 2．数据仓库的作用
? 数据仓库具有两个主要作用：
?一是从各信息源提取决策需要的数据，
加工处理后，存储到数据仓库中；
?二是用户的查询和决策分析的基础。
?(二 )数据仓库的分析
? 1．主题与面向主题
? 数据库 面向应用 进行的数据组织,DW
中的数据是 面向主题 进行数据的组织。
? 主题是一个 抽象的概念,是在较高层
次上将企业信息系统中的数据综合、归
类并进行分析利用的抽象，每一个主题
是决策者关心的问题。
?面向应用进行数据组织方式的特点如下：
? 第一，面向应用进行数据组织，是指
对企业中相关的组织、部门等进行详细
调查，搜集数据库的基础数据以及其处
理的过程。调查的重点是“数据”和
“处理”，在进行数据组织时充分了解
企业的部门组织结构，考虑到企业各部
门的业务活动特点。
? 第二，面向应用进行数据组织应反映一
个企业内数据的动态特征，即要表达每
个部门的实际业务处理数据流程：即从
哪儿获取输人数据，在部门内进行什么
样的数据处理，以及向什么地方输出数
据。按照实际应用即业务处理流程来组
织数据，其主要目的是为了进行联机事
务处理，以提高日常业务处理的速度和
准确性等，提高服务质量。
?第三，这种数据组织方式生成的各项数
据库模式与企业中实际的业务处理流程
中所涉及的单据或文档有很好的对应关
系，这种对应关系使得数据库模式具有
很强的操作性，因而可以较好地在这些
数据库模式上建立起各项实际的应用处
理。
?第四，面向应用进行数据组织的方式并
没有体现数据库这一概念提出的原本意
图； 数据与数据处理的分离 ；要将数据
从数据处理或应用中抽象出来、解放出
来，组织成一个和具体的应用独立的数
据世界。
? 按照面向主题的方式数据的组织应该分
为两个步骤：抽取主题以及确定每个主
题所应包含的数据内容。主题是对应某
一分析领域的分析对象，所以主题的抽
取，应该是按照分析的要求来确定的。
这与按照数据处理或应用的要求来组织
数据的主要不同在于关心的数据内容不
同。
?面向主题的数据组织方式是根据分析要
求将数据组织成一个完备的分析领域，
即主题域。主题域应该具有：
? (1)独立性，如分析所要求的是“商品”
主题域，这一主题域可以和其他的主题
域有交叉，但它必须具有独立内涵，有
明确的界限，规定某项数据是否该属于
“商品”主题。
? (2)完备性，如，在“商品”这一主题内
找到该分析处理所要求的一切内容；如
果涉及现存“商品”主题之外的数据，
就应增加新数据到“商品”主题中来，
从而逐步完善“商品”主题。
?主题只是一个逻辑上的概念，实现时，主题的
数据项多了，可以采取化大为小。主题是一个
在较高层次上对数据的抽象，这使得面向主题
的数据组织可以独立于数据的处理逻辑，因而
可以在这种数据环境上方便地开发新的分析型
应用。同时，这种独立性也是建设企业全局数
据库所要求的，所以面向主题不仅是适用于分
析型数据环境的数据组织方式，且是适用于建
设企业全局数据库的数据组织方式。
?2,Dw数据的集成性
? Dw的数据 是从原有的 分散的数据库的数据 中
抽取来的。两者之间的差别：第一,Dw的每
一个主题所对应的源数据在原有的各自分散数
据库中有许多重复和不一致的地方，且来源于
不同的联机系统的数据都和相同的应用逻辑捆
绑在一起；第二,Dw中的综合数据不能从原
有的数据库系统直接得到。
?因此在数据进入 Dw之前，必然要经过统
一与综合，这是 DW建设中最关键、最复
杂的一步，所要完成的工作有：
? (1)要统一源数据中所有矛盾之处，如
字段的同名异义、异名同义、单位不统
一、字长不一致，等等。
? (2)进行数据综合和计算。 DW中的数
据综合工作可以从原有数据库抽取数据
时生成，但许多是在 DW内部生成的，即
进入 DW以后进行综合生成的。
? 3,DW数据的不可更新性
? DW的数据主要供企业决策分析之用，所涉及的数据
操作主要是数据查询，一般情况下并不进行修改操作。
DW的数据反映的是一段相当长的时间内历史数据的内
容，是不同时点的数据库快照的集合，以及基于这些
快照进行统计、综合和重组的导出数据，而不是联机
处理的数据。数据库中进行联机处理的数据经过集成
输入到 DW中，一旦 DW存放的数据已经超过 DW的数
据存储期限，这些数据将从当前的 DW中删去。因为
DW只进行数据查询操作，所以 DW管理系统 (DWMS)
相比 DBMS而言要简单得多。但是由于 DW的查询数据
量往往很大，所以就对数据查询提出了更高的要求，
它要求采用各种复杂的索引技术。
?4,DW数据的时态性
? DW中的数据不可更新是针对应用来说
的，即 DW的用户进行分析处理时不是进
行数据更新操作的。
?DW的数据是随时间的变化而不断变化的，这
是 DW数据的第四个特征。这一特征表现在以
下三个方面：
? (1)DW随时间变化不断增加新的数据内容，
要不断地生成数据库的快照，经统一集成后增
加到数据库中，但对于每次的数据库快照是不
再变化的，捕捉到新的变化数据，只不过又生
成一个数据库的快照增加进去，而不会对原来
的数据库快照进行修改。
?(2)DW的数据也有存储期限，一旦超过
了这一期限，过期数据就要被删除。只
是 DW内的数据时限要远远长于操作型环
境中的数据时限。
?在操作型环境中一般只保存有 60～ 90天
的数据，而在 DW中则需要保存较长的时
限的数据 (如 5～ 10年 )，以适应 DSS进行
趋势分析的要求。
?(3)DW中包含有大量的综合数据，这些
综合数据中很多跟时间有关，如数据经
常按照时间段进行综合，或每隔一定的
时间片进行抽样等等。这些数据要随着
时间的变化不断地进行重新综合。因此，
DW数据的码键都包含时间项，以标明数
据的历史时期。
二、联机分析处理
? (一 )联机分析处理的定义与特点
? 1．定义
?通过专门的数据综合引擎，辅之以更加
直观的数据方问界面，力图统一分散的
公共应用逻辑，在短时间内响应非数据
处理专业人员的复杂查询要求。 1993年，
E,F,Codd将这类技术定义为,OLAP"。
?2．特点
?一般数据库由于主要用于企业的日常事
务处理工作，存放在数据库中的数据也
就大体符合操作型数据的特点。而为适
应数据分析处理要求而产生的 Dw中所存
放的数据就应该是分析型的数据。
(二 ) OLAP的基本术语
?OLAP是针对特定问题的联机访问和分析
数据。通过对信息 (这些信息已经从原始
的数据进行了转换，以反映用户所能理
解的企业的真实的“维” )的很多种可能
的观察形式进行快速、稳定一致和交互
性的存取，允许管理决策人员对数据进
行深观察。
?1．变量
? 变量是数据的实际意义，描述数据“是什
么”。一般情况下，变量总是一个数值度量指
标。
? 2．维
? 维是人们观察数据的特定角度。
例如，企业常常关心服务收入随着服务水平提
高而产生的变化情况，这时该企业是从服务水
平的角度来观察产品的服务收入，所以服务水
平就是一个维 (服务维 )。
?3．维的层次
? 人们观察数据的特定角度 (即某个维 )还可以
存在细节程度不同的多个描述方面，我们称这
多个描述方面为维的层次。
?例如描述维时间，可以从日期、月份、季度、
年等不同层次来描述，那么日期、月份、季度、
年等就是时间维的层次；同样，城市、地区、
国家等构成了一个地理维的多个层次。
?4．维成员
? 维的一个取值称为该维的一个维成员。
如果一个维是多层次的，那么，该维的
维成员是在不同维层次的取值的组合。
?5．多维数组
? 一个多维数组可以表示为,(维 1，维 2,……,
维 n，变量 )。
?例如，日用品销售数据是按时间、地区和销售
渠道组织起来的三维立方体，加上变量“销售
额”，就组成了一个多维数组 (地区、时间、销
售渠道、销售额 )。如果我们扩展一个维、产品
维，就得到一个四维的结构。
? 6．数据单元
? 多维数组的取值称为数据单元。当多
维数组的各个维选中一个维成员，这些
维成员的组合就惟一确定了一个变量的
值。那么数据单元就可以表示为,(维 1
成员，维 2成员,……,维 n成员，变量
的值 )。
（三 )OLAP的基本分析方法
?多维分析是指对以多维形式组织起来的
数据采取切片、切换、旋转等各种分析
方法，以求剖析数据，使最终用户能从
多个角度、多侧面地观察数据库中的数
据，从而深入地了解包含在数据中的信
息、内涵。
?多维分析方式符合了人的思维模式，使
分析人员能够迅速、一致、交互地从多
个角度、多个侧面来剖析反映企业维的
特性数据，使人们在观察数据时减少混
淆与错误，发现数据后面隐藏的有价值
并能被用户理解的信息、内涵，能更深
刻地反映企业的真实面目和企业所处的
环境，因此减少了混淆，降低了出现错
误解释的可能性。
?1．切片
? 定义 1：在多维数组的某一维上，选定
一维成员的方法称为切片，即在多维数
组 (维 1，维 2,……,维 n，变量 )中选一
维，即维 Vi,……,维 n，变量称为在维
I上的一个切片。
?定义 2：选定多维数组的一个二维子集的
方法叫做切片，即选定多维数组 (维 1，
维 2,……,维 n，变量 )中的两个维：维 I
和维 J，在这两个维上取某一区间或任意
维成员，而将其余的维都取定一个维成
员，则得到的就是多维数组在维 I和 j上一
个二维子集，称这个二维子集为多维数
在维 I和维 J上的一个切片，表示为,(维 I，
维 i，变量 )。
?2．切块
? 定义 l：在多维数组的某一维上，选定
某一区间的维成员的方法称为切块，即
限制多维数组的某一维的取值区间。显
然，当这一区间只取一个维成员时，好
得到一个切片 (切片的定义 1)。
?定义 2：选定多维数的一个三维子集的方法称
切块。即选定多维数组 (维 1，维 2,……,维 n，
变量 )中的三个维：维 I、维 i和维 r，在这三个维
上取某一区间或任意的维成员，而将其余的维
都取定一个维成员，则得到的就是多维数组在
维 I、维 i和维 r上一个三维子集，我们称这个三
维子集为多维数组在维 I、维 i和 r上的一个切块，
表示为,(维 I，维 i，维 r，变量 )。切块与切片
的作用与目的是相似的。
? 3．旋转
? 旋转即是改变一个报告或页面显示的维方向。
例如，旋转可能包含了交换行和列；或是把某
一个行维移到列维中去，或是把页面显示中的
一个维和页面的维进行交换 (令其成为新一行或
列中的一个 )把一个横向为时间、维向维产品的
报表旋转成为横向为产品、维向为时间的报表。
? (四 )OLAP的衡量标准
? 1993年,E,F,Codd在, Providing
OLAP(On—Line Analytical Pro—
cessing)to User Analysts,中提出了有关
OLAP的十二条准则，其多维数据分析、
客户／服务器结构、多用户支持及一致
的报表性能等得到了在多数人的认可。
?他所阐述的有关 OLAP产品及其所依赖的
数据分析模型的一系列概念及衡量标准
对 OLAP产品的识别及后来发展方向的确
立都有着重要的作用，尽管 Codd提出的
十二条准则也在不断的完善，但仍可以
?作为评价和购买 OLAP产品的参考标准。
?准则 1 OLAP模型必须提供多维概念视图
? 从用户分析员的角度来看，整个企业的
视图本质上是多维的，因此 OLAP的概念
模型也应是多维的。
?准则 2透明性准则
? 无论 OLAP是否是前端产品的一部分，
对用户来说，它都是透明的；如果在客
户／服务器结构中提供 OLAP产品，那么
对最终分析员来说，它同样也应透明。
?准则 3存取能力准则
? OLAP系统不仅能进行开放的存取，而且还提
供高效的存取策略。 OLAP用户分析员不仅能
在公共概念视图的基础上对关系数据库和外部
存储的数据进行分析。
?准则 4稳定的报表性能
? 当数据维数和数据综合层次增加时，提供给
最终分析员的报表能力和响应速度不应该有明
显的降低和减慢，这对维护 OLAP产品的易用
性和低复杂性至关重要。即便是企业模型改变
时，关键数据的计算方法也无需更改。也就是
说,OLAP系统模型对企业模型应该具有“鲁
棒”性。
?准则 5客户／服务器体系结构
? OLAP是建立在客户／服务器体系结构上的。
这要求它的多维数据服务器能够被不同的应用
工具访问到。
?准则 6维的等同性准则
? 每一数据维在数据结构和操作能力上都是等
同的。系统可以将附加的操作能力授给所选维，
但必须保证该操作能力可以授给任意的其他维，
即要求维上的操作是公共的。该准则实际上是
准 l的一个补充，是对维的基本结构和维上的操
作的要求。
?准则 7动态的稀疏矩阵处理准则
? OLAP工具的物理模型必须充分适应指
定的分析模型，提供“最优”的稀疏矩
阵处理，这是 OLAP工具的应遵循的最重
要的准则之一。
?准则 8多用户支持能力准则
? 多个用户分析员可以同时工作于同一分析模
型上或是可以在同一企业数据上建立不同的分
析模型。该准则可由准则 5推出。 OLAP工具必
须提供并发访问、数据完整性及安全性机制。
? 准则 9非受限的跨维操作
? 多维数据之间存在固有的层次关系，这就要
求 OLAP工具能自己推导出而不是最终用户明
确定义出相关的计算。对于无法从固有关系中
得出的计算，要求系统提供计算完备的语言来
定义各类计算公式。该准则是对准则 l的一个补
充，对操作能力和操作范围做出了要求。
?准则 10直观的数据操纵
? 这一准则要求数据操纵。这一准则要求
数据操纵直观易懂。综合路径重定位、
向上综合、向下挖掘和其他操作都可以
通过直观、方便的点击操作完成。
?准则 11灵活的报表生成
? 报表必须从各种可能的方面显示出从数
据模型中综合出的数据和信息，充分反
映数据分析模型的多维特征。
?准则 12不受限维与聚集层
? OLAP工具的维数应不小于 15维，用户
分析员可以在任意给定的综合路径上建
立任意多个聚集层次。
三、数据挖掘 (DM)
? (一 )概念
? 1．定义
? DM是一个 从大型数据库中抽取隐含的、从
前未知的、潜在有用的信息或关系的过程。
?它是从各种相关数据库的大量数据中提取出人
们感兴趣的知识和规则，这些知识和规则是可
信的、新颖的、有效的，并能容易被人理解的。
?2．作用
? 自动智能地分析数据库中的大量数据，
以获取信息，是推动数据挖掘型工具产
生并发展的强大动力。超级对象的经理
人员希望能从过去几年的销售记录中分
析出顾客的消费习惯和行为，以便及时
变换营销策略。
? 3．与知识发现的关系
? DM和知识发现 (KDD,Knowledge
Discovery in Database)有密切的联系。知
识发现是指从数据库中发现有用知识的
整个过程,DM则是这一过程中的一个特
定步骤。
4．特点
? DM的特点有：
? (1)处理的数据规模十分庞大；
? (2)由于用户不能形成精确的查询要求，因此需要靠
DM技术来寻找其可能感兴趣的东西；
? (3)DM对数据的迅速变化应作出快速响应，以提供
决策支持信息；
? (4)DM既要发现潜在规则，还要管理和维护规则，
随着新数据的不断加入，规则需要随之更新；
? (5)DM中规则的发现基于统计规律，发现的规则不
必适合于所有数据，而且当达到某一阈值时，便认为
有此规则。
(二 ) DM的技术
?DM涉及面相当广泛，从机器学习、模式识别、
统计学、智能数据库、知识获取直到数据可视
化、高性能计算、专家系统等各个领域。 DM
主要任务通常有分类、聚类、预测和关联等，
以便从浩瀚的数据海洋中采掘出有价值的求知
信息来支持决策，提高决策支持系统的正确性
和可行性。 DM技术应用诸如：神经网络、模
糊逻辑、遗传算法之类的统计分析工具。
?1．人工神经网络方法
? 人工神经网络方法是由大量的简单处
理单元 (即神经元 )所构成的一种能模仿延
伸人脑认知功能的新型信息处理系统，
它具有巨量并行处理信息和推理能力、
存储分布性、结构可变性、高度非线性、
自学习性和自组织性等特点，是 DM技术
中最重要的方法之一。
? 2．遗传算法
? 遗传算法 (Genetic Algorithms)可起到产
生优化后代的作用。这些后代需满足适
应值，经过若干代的遗传，将得到满足
要求的后代 (即问题的解 )。遗传算法已在
优化计算和分类机器学习方面发挥了显
著作用。
? 3．决策树方法
? 决策树方法 (Decision Trees)是利用信息
论中的互信息 (信息增益 )寻找数据库中具
有最大信息量的属性字段，建立决策树
的一个结点，再根据该属性字段的不同
取值建立树的分支；在每个分支子集中
重复建立树的下层结点和分支的过程。
(三 )DM的分析方法
?DM系统利用的技术越多，得出的结果精
确性就越高。原因很简单，对于某技术
不适用的问题，其他方法却可能奏效。
这主要取决于问题的类型以及数据的类
型和规模。无论采用哪几种技术来完成
任务，从功能上可以将 DM的分析方法划
分为以下四种 (根据 IBM的划分方法 ),关
联分析、序列模式分析、分类分析、聚
类分析。
? 1．关联分析
? 关联分析 (Associations)的目的就是为了
挖掘出隐藏在数据间的相互关系。
?2．序列模式分析
? 序列模式分析 (sequential Patterns)和关联
分析法相似，其目的也是为了挖掘出数
据之间的联系，但序列模式分析的侧重
点在于分析数据间的前后 (因果 )关系。
?3．分类分析
? 分类分析 (classifiers)。假定记录集合和一组
标记 (TAG)，所谓标记是指一组具有不同特征
的类别。
? 4．聚类分析
? 聚类分析 (clustering)。与分类分析不同，聚
类分析法的输入集是一组未标定的记录，也就
是说此时输入的记录还没有被进行任何分类。
其目的是根据的这些规则是由聚类分析工具定
义的。由于聚类分析可以采用不同的算法，所
以对于相同的记录集合可能有不同的划分。可
以看出，许多在分类分析法中适用的算法同样
适用于聚类分析法。
(四 )DM系统的实施
?DM的核心技术是人工智能、机器学习、
统计等，但一个 DM系统不是多项技术的
简单组合，而是一个完整的整体，它还
需要其他辅助技术的支持，才能完成数
据采集、预处理、数据分析、结果表述
这一系列任务，最后将分析结果呈现在
用户面前。根据功能，整个 DM系统可以
大致划分为三级结构。
?DM的数据分析过程可以分成四个步骤：
? 1．数据准备
? 数据准备 (Data Preparation)：本阶段又
可进一步细分两步数据集成、数据选择
和预分析。
?(1)集成 (Integration)：
?(2)数据选择和预分析 (Data Selection and
Pre—Analysis)：
?2．挖掘
? 挖掘 (Mining),DM处理器 (Data Mining
Processor)综合利用前面提到的四种 DM方法分
析数据中的数据。
? 3．表述
? 表述 (Presentation)：与验证型工具一样,DM
将获取的信息以便于用户理解和观察的方式反
映给用户，这时可以利用可视化工具。
? 4．评价
? 评价 (Asess)：如果分析人员对分析结果
不满意，可以递归地执行上述三个过程，
直到满意为止。
(五 )DM与 OLAP的区别和联系
?DM与 OLAP都属于分析型工具，但两者
之间有着明显的区别。
? DB工具 (包括查询工具、报表生成器等 )
都属于操作型工具，它们建立在操作型
数据之上，主要是为了满足日常信息提
取之需。
? DM是一种挖掘型工具，它能有效地从大量数
据中自动地发现隐藏在数据中的模式。 DM与
其他分析型工具最大的不同在于：它的分析过
程是自动的。 —个成熟的 DM系统除了具有良
好的核心的技术外，还应该具有开放性的结构，
友好的用户接口。 DM的用户不必提出确切的
问题，而只需 DM去挖掘隐藏的模式并预测未
来的趋势，这样更有利于发现未知的事实。
? OLAP是一种自上而下、不断深入的分析工具,用户
提出问题或假设,OLAP负责从上至下深入地提取出关
于该问题的详细信息,并以可视化的方式呈现给用户。
与 DM相比,OLAP更多地依靠用户输入问题和假设，
但用户先入为主的局限性可能会限制问题和假设的范
围，从而影响最终的结论。因此，作为验证型分析
OLAP更需要对用户需求有全面而深入的了解。显然，
从对数据分析的深度的角度来看,OLAP位于较浅的层
次，而 DM所处的位置则较深。如果按前面所介绍的
E,F,Codd的数据分析模型来区分这两者，那么应该
说 OLAP实现了解释模型和思考模型，而 DM则实现了
更深的第四层一解析模型。所处分析模型层次的不同
决定了这两者的分析能力和所能回答的问题种类也不
相同。
四、空间分析
?由于物流的主要目的之一是实现物品的
空间转移，因此空间分析对物流来说是
一类非常重要的分析内容。
?说是一类非常重要的分析内容。 由于
数字概念与方法的引入，并从统计方法
扩展到运筹学、拓扑学等方法的应用，
进一步促进了空间分析、定量分析的能
力。
(一 )空间分析层次
?GIS的空间分析可分为三个不同的层次。
?一是空间检索,包括从空间位置检索空间物体
及其属性和从属性条件集检索空间物体。
? 二是空间拓扑叠加分析,空间拓扑叠加实现了
输入特征的属性的合并以及特征属性在空间上
的连接。空间拓扑叠加本质是空间意义上的布
尔运算。
?三是空间模拟分析,空间模拟分析刚刚起步。
(二 )GIS与空间模型分析
?目前多数研究工作着重于如何将 GIS与空
间模型分析相结合，其研究可分三类：
?第一类是 GIS外部魄窝间模型分析，将
GIS当作一个通用的空间数据库，而空间
模型分析功能借助于其他软件；
?第二类是 GIS内部的空间模型分析，试图
利用 GIS软件来提供空间分析模拟以及发
展适用于问题解决模型的宏语言，这种
方法一般基于空间分析的复杂性与多样
性，易于理解和应用，但由于 GIS软件所
能提供空间分析功能极为有限，这种紧
密结合的空间模型分析方法在实际 GIS的
设计中较少使用；
?中较少使用；
? 第三类是混合型的空间模型分析，其
宗旨在于尽可能地利用 GIS所提供的功能，
同时也充分发挥 GIS使用者的能动性。
第四节物流系统模拟
?一、模拟的定义与特点
? (一 )模拟的定义
? 系统模拟被定义为：在建立数字逻辑模
型的基础上，通过计算机实验，对一个
系统按照一定的决策原则或作业规则由
一个状态变换为另一个状态的动态行为
进行描述和分析。
?(二 )模拟的特点
? 系统模拟具有一种数值技术；是一种
“人工”实验手段；是以计算机作为工
具；是对系统状态在时间序列中的动态
写照；大多属于随机性系统模拟等特点。
二、物流系统中模拟技术应用的方法
? (一 )系统动力学方法
? 系统动力学 (SD,Systems Dynamics)是
研究信息反馈系统动态行为的计算机模
拟方法。
1,SD的构造模型思路与理论依据
?SD是从系统的微观结构入手，根据系统的结构
与功能的相互关系构造系统模型，同时，必须
深入到实际系统中所包含的那些不完全可测量
的因果反馈关系中去，把可度量的描述系统动
态变化趋势的数据，与不可度量的系统内部的
非线性关系联系起来。信息反馈回路是动态系
统的基本结构，任何系统都存在着一个或几个
主要反馈回路，他们决定系统的主要结构和动
态趋势。
?2,SD模型结构
? SD模型结构一般包括绘制因果关系图、系统
流图和构造数学模型。
? (1)因果关系图是用来描述系统因果反馈结构
的一种关系图形，它的主要任务：确定系统的
边界，定义系统的主要变量；表明变量间的因
果关系，应用因果关系链表示各变量的作用方
向；标识主要反馈回路。
? (2)系统流图是 DYNAMO程序设计的基础。它
由四个基本要素组成：流位 (1evel，存于系统
内部流的积累，如库存量 )、流率 (rate，表示在
流位变量之间单位时间内通过的流量，它可控
制流入与流出流的大小，可称为决策函数，还
可以设置辅助变量于流位变量与速率变量之问
的信息通道中的变量，成为速率表达式的一个
组成部分，当速率表达式很复杂时，可以用辅
助变量简化速率表达式。信息流和物流的符号，
如图 8—2所示。
(3)SD数学模型：由流位方程 (L方程，实
体流在流位变量中的积累过程 )、速率方
程 (R方程 )、辅助方程 (A方程 )、初值方程
和常量方程 (C方程 )等组成。
?DYNAMO语言 (DYNAMIC Models)是一
种计算机模拟语言，它由描述语句、控
制语句和函数组成，用于 SD模型使用计
算机来模拟实现现实系统的动态行为，
如库存的控制。
?(二 )其他方法
? 物流系统是一个复杂的动态过程系统，
涉及的随机因素很多，许多新的应用数
学模型和算法的出现，使得能够在计算
机的模拟下，预测物流系统的运行情况，
提供系统最佳配置而达到最佳效果。下
面简单的列举一些方法，不作展开。
?1．蚁群算法
? 蚁群算法 (Ant colony system)的创始人 Marco
Dorigo等受自然界蚁群的社会性行为的启发，
在 20世纪九十年代提出了一种新型的分布式模
拟算法，其基本思想是模仿蚂蚁依赖信息素进
行通信而显示出的社会行为。由于大规模的并
行计算，使蚁群避开了局部最优，采用了正反
馈机制，收敛速度加快，使用构造性的贪婪算
法，能在搜索的早期阶段找到较好的可行解。
?2．进化计算方法
? 模拟生物 (包括人类 )和各种自然现象解
决高度非线性、内部一类问题不很清楚
的。包含遗传算法、进化策略和进化规
划。许多组合优化问题，如旅行商 (TSP)
问题和调度问题 (作业调度问题和时间表
问题 )都能得到较好的解决。
?三、物流系统中的配置问题模拟
? 服务系统由服务机构和顾客构成。要求服务
的“顾客”可以是人，也可以是物。物资中心
(或储运仓库，物资转运站等 )是一个综合物流
服务系统。在装卸、运输作业中，许多服务项
目具有随机性质，例如某客户送来一车货物，
要求卸货人人库储存，而装卸工人和设备可能
正忙于其他装卸任务。这样，装卸工人和设备
与待卸货物就构成一个服务系统。
朱春鹤
第八章 支持物流决策的模型及信息分析技术
?利用物流管理信息系统解决了物流数据处理的
基本问题，进一步 利用其数据与信息进行分析、
支持物流企业领导决策是物流信息系统进一步
发展的必然要求 。
?本章介绍决策以及决策支持的相关概念，以及
物流决策的一般方法、物流决策模型和预测技
术，然后介绍决策支持系统、物流信息分析技
术和物流系统模拟。其目的是使读者掌握基于
决策的支持方法。
第一节 概 述
?一、决策支持与模型
? 自 20世纪 70年代 DSS的概念提出以来，
随着决策理论、信息技术等相关技术的
发展，决策支持系统的研究与应用水平
不断提高，尤其是 人工智能,Internet、
DW,DM,OLAP等的发展，为 DSS提供
了强大的技术支持,DSS的应用取得了
显著的成效。
?(一 )典型决策支持系统的组成
? 一个典型的决策支持系统 (即“三库”
系统 )主要由 数据管理子系统、模型库管
理子系统、方法库管理子系统、用户界
面子系统和用户 组成，
?数据管理子系统由 数据库 (DB)和数据管
理库系统 (DBMS)组成，完成 对数据仓库
的维护、使用 等功能。
?数据仓库的数据通常 从内部和外部数据
源中抽取。
?模型库管理子系统由模型库 (MB,Model
Base)和模型库管理系统 (MBMS,Model
Base Management Systems)组成。模型库
中存储了包含描述决策问题的相对独立
的子模型。
? 方法库管理子系统由方法库 (M*B：
Method Base)和方法库管理系统 (M*BMS：
Method Base Management Systems)组成。
?方法库 存储了解决决策模型的各种方法,
例如各种寻优方法等。方法库管理系统
则是对方法库中方法进行管理 (包括描述、
增加、删除、修改、使用等 )，为决策模
型求解的需要提供方法的支持。
?用户界面子系统 (User Interface)是用
户与 DSS决策支持系统之间 交流的界
面,用户和系统进行交互式对话，
用户向系统完成问题的描述，而系
统将处理的结果报告给用户。
? DSS的用户主要是指企业各层次
的管理者和分析人员 。
?许多非结构化和半结构化的问题非常复
杂，以至于除了通常的 DSS能力外，它
们还需要特别的专业知识。因此 DSS也
由“三库”结构，发展为“四库”结构
(增加知识库，即 IDSS)、“五库”结构
(增加知识库、数据仓库 )。
(二 ) 模型
?所谓模型就是 对问题的要素以及
要素之间关系的一种抽象表示,
?例如简单的二元一次方程组就可
以用来描述具有两个要素，且要
素之间是线性关系的某问题。
? 模型集 (如财务风险分析模型集 )都有特定的职
能，灵敏度分析模型是其中应用最为广泛的模
型之一。它通过重复的“如果 …… 则”的方法
来确定一个或多个要素的变化对其他要素 (如支
出额 )的影响或影响程度。
?为了在标准变化的情况下更好地预测支出情况
“如 …… 则”问题，从已知条件或假设条件出
发，允许用户根据标准的不同检测结果，“如
果把售价提高 5％或把广告预算增加 100,000
美元将会怎样呢?”“如果保持价格和广告预算不
变则又如何呢?”后向型灵敏度分析软件应用于
目标搜索：如果想在明年售出一百万个产品单
位，那么产品的价格应降多少?
(三 )管理信息系统和 DSS的决策支持能力的比较
?由于高层管理具有非结构化和流动性因素的特
点,管理信息系统对高层的决策支持能力较弱 。
如高级管理人员对公司的关键成功因素法产生
分歧或者公司面临一场危机而急需战略变更，
而原有的关键成功因素法已不适宜进行决策。
在现存系统的基础上整合决策支持系统，即系
统的创建者确实知道决策支持系统的信息需求，
但想利用现有的管理信息系统来满足这些信息
需求也许是不可能的，这是因为管理信息系统
早已用不同方法定义了重要的数据。
? 管理信息系统集中于结构化的信息流，
而决策支持系统强调的是变化、灵活和
快速反应。决策支持系统较少涉及用户
联结结构化信息流和相应的较强调模式、
假设、随机访问、列示图表的需求。
? 决策支持系统和管理信息系统都依赖于
专业化的分析设计，然而不同之处在于
管理信息系统通常遵循传统系统开发的
方法论 (如：生命周期法 )，在设计前及其
整个生命周期中确定信息需求，而决策
支持系统则是自觉地反复地并且不会被
中断确定用户需求。
二 决策支持的方式
?（一）两种基本的决策支持方式
?当今存在两种基本的决策支持系统,模型驱动
型和数据驱动型
? 早期的决策支持系统从公司数据库抽取数据、
建立模型，是典型的模型驱动型的决策支持系
统。近来随着数据处理和数据库技术的发展决
策支持系统正向数据驱动型的系统发展。
?1．模型驱动型决策支持
? 模型驱动型决策支持系统是发现问题
的 影响要素 和 内在关联,利用模型和数
据，建立问题的模型，然后 求解模型,
以 达到找到决策问题的方法,或者按照
构造的模型指导行动。
? 2．数据驱动型决策支持
? 第二种决策支持系统是数据驱动型的。
这种系统的分析来自主要组织系统的大
量数据。它允许用户从原来隐藏的大量
信息中选取有用的信息。
?例如可以从 DW里得到，然后 利用在线分
析程序和 DM技术可用来分析这些数据,
回答用户关心的问题，如“编号为 403的
产品在 2002年 5月装运出多少?”“以季度
为单位比较编号为 403的相关产品的实际
销量与计划销量”。
? 根据决策支持层度和难度的分析，可
知 数据驱动型的 DSS比模型驱动型的 DSS
应用更广 。
? (二 )以数据驱动型的
决策支持系统的元素
数据驱动型的决策支
持系统包括一个应用
于查询和分析的数据
单元、一定模式的软
件、数据分析技术和
用户界面，如图 8—1
所示。
?1．数据单元
? 决策支持系统的数据单元是当前和历史资料的
汇总。它可能是存处于一台个人电脑上的公司数
据资料的一部分，它可能包括一部分外部信息。
?另外，决策支持系统也可能连接的是一个被组织
传输协议系统不断更新的超大数据库。决策支持
系统中的数据单元大多是产品数据单元的复本，
以便使用起来不会影响其他系统的运行。
? 2．分析软件系统
? 分析软件系统包含用于数据分析的软件
工具，它包括各种在线分析程序,DM工
具等分析模型，并且这些工具很容易为
用户所用。
?3．用户界面
? 用户界面具有简单易用的画面、灵活
的用户支持界面支持用户和系统间的对
话，使用户可以容易地使用这些软件工
具。
?三、决策支持系统应用实例
? 决策支持系统已经应用许多方面，表 8—1给
出了部分应用实例。沃尔马采用的是数据驱动
型的决策支持系统，加拿大卡普国际系统 (Carp
?Systems International of Kanata,Ontario)销售的
高级策划系统 (APS)能使用原有的 MRPⅡ 中的
数据并使其具备决策支持功能。
第二节 物流的决策模型与预测模型
?一、物流决策的种类
? 在第二章，通过对物流系统以及主要业
务和业务流程的分析可知,物流系统中
除了数据处理和结构化决策外，还有大
量的半结构化和非结构化决策 。
? 运输中的决策 主要包括选择较合理的运输方式和路线、
具体物品的运输物流计划。
? 储存中的决策信息 主要是物品出库规则、最低库存量、
安全库存量、最高库存量、订货策略等。
? 物流加工中的决策 主要有加工方式、加工周期、加工
报价以及相关的配套决策。
? 配送中的决策 主要是如何按用户的需求，在充分利用
资源的前提下，确定备货规模、物资来源、配送方式、
配送路线等。按配送商品的种类和数量分类：少品种
(或单品种 )、大批量配送；多种品种、少批量、多批次
配送；成套配套配送。按配送时间及数量分类：定时
配送；定量配送；定时定量定点配送；即时配送。按
配送的组织形式不同分类：集中配送；共同配送；分
散配送。不同的配送有不同的决策要求。
二、物流决策的相关模型
?每个模型有各自应用的假设或者前提，
因此模型有各自适应的应用范围。而不
同的决策问题有不同的特点和结构，不
同的决策者有不同要求，有自己的决策
偏好和决策风格，因此在采取模型驱动
型的决策支持时，应该根据上述因素，
选择合适的模型。
?表 8—2从决策问题、可采用的相关模型、
模型使用的效果、模型使用的条件、模
型使用需要的主要相关数据以及求解方
法等方面，对物流中的部分决策可用的
主要相关模型进行了描述。
三、预测模型
?决策离不开预测，预测能够在一定程度上反映
客观事物发展的趋势,因此能为正确的决策提
供一定信息。物流预测能为 科学地编制物流经
营计划和物流业务计划、调度提供参考 。只有
通过物流预测，才能了解宏观物流活动发展动
态，分析对象发展趋势从而避免盲目地编制物
流企业的作业计划和宏观计划，有利于提高现
代物流经营管理水平，为正确地经营决策打下
基础，有利于分析各种变化对物流企业的影响，
有利于为物流企业的管理现代化创造良好的条
件。
(一 )预测的概念
? 1．预测的概念
? 预测是一门掌握对象变化动态的科学，
它是对对象变动趋势的预见、分析和判
断，也是一种动态分析方法。
?2．预测的基本步骤
? (1)确定预测目标，包括预测对象、目的、
对象范围；
? (2)搜集分析内部和外部资料；
? (3)数据的处理及模型的选择；
? (4)预测模型的分析，修正；
? (5)确定预测值。
(二 )预测的方法
? 预测的准确程度不仅取决于对错综复杂的对象发展变
化情况掌握的程度，而且还在于采取怎样的 预测方法,
特别在占有资料的同时要选定适合的预测方法。预测
方法一般有 定性分析预测法和定量预测法,其中定性
预测包括集合意见、用户意见法 (对象调查法 )、员工意
见法、专家评估法、类推法、判断预测和目标分解法
等；定量预测方法包括：情景分析法、时间序列分析
法 (移动平均，指数平滑，季节系数,DOx—
TENKENS法 )、因果分析法 (线性，回归，非线性模型：
含生命周期法，经济计量模型，灰色系统模型,状态
转移分析法，模拟法，系统模型 )等。
? 1．定性预测
? 它是在对象调查的基础上，根据预测者个人经验，
阅历，学识和智慧，采用类比分析和综合的方法对对
象进行直观判断的方法。根据对象，可分为：
? (1)集合意见法 (三种估计加权预测法 )，它是一种加
权综合判断法；
? (2)用户意见调查法 (设计调查表 )；
? (3)员工意见法；
? (4)专家意见法；
? (5)类推法。
? 2．定量 (分析预测 )
? (1)时间序列分析法。这种预测对时间序列的
原始数据要求：在时间上具有连续性 (如果 1～ 5
月中除 4月都有数据，可采用合适的平均值办
?法补足 )；数据之间的可比性 (例如，每个月天
数是不同的，可化为相同的天数先求出某月每
天的平均销售量 )；应可采用交叉预测如预测 9
月，可用 1月～ 9月也可用不同年份 9月数据 )。
?时间序列可划为四种变化特征：趋势性 (T)、季
节性 (s)、周期性 (c)、不规则性 (I)，可以利用散
点图识别来变化特征。
? 时间序列分析法一般有方法：简单平均、移
动平均、加权移动平均、指数平滑、一元线性
回归、相关比例推算。例如：
? 一元线性回归 (趋势外推 )Y=a0+a1*x
? 系数用最小二乘法确定系数,a0 a1
? 相关比例推算 (首先找出影响产品销售量，主要因
素，再据各种比例关系，推出预测值 )。例如，某
第三方物流企业市场的需求预测 (如表 8—4所示 )。
?2)回归预测：
? 一元线性回归 (趋势外推 ),Y=ao+a1’x
? 多元回归 (因果关系 ), Y=ao+al。
X1+a2x2+…+anx 。
? 系数用最小二乘法确定系数,a0
a1．．,aIl
?(3)非线性模型：
? Y=A+B*LOG(X)
? Y=1／ (A+B。 EXP(一 X)
? Y=1／ (A+B”X)
? Y=X／ (A+B’X)
? Y=A。 )(^B,(A>0)
? Y=A’EXP(B。 X),(A>0)
? Y=A’EXP(B／ X),(A>0)
? Y=A’ExP(B。 x“2),(A>0)
?将以上模型进行线性处理再转化为一元回归模
型。
? (4)灰色预测模型 GM(1,1)。
? (5)组合预测。采用不同合理的模型预测
后，再进行回归得出组合预测模型。
? (三 )预测模型选取的原则
? 据有关研究资料表明，以预测方法应用多少
为标准进行从大到小排序是,回归分析、指
数平滑、数量经济模型、专家会议、主观概率
法、多变量时间序列模型、趋势外推、抽样调
查、移动平均、投入产出、相关数、类推法等；
在高层次经济预测方面以国家统计为例，主要
应用数量经济模型、其他有投入产出模型、回
归分析、移动平均等；在低层次方面为专家会
议、类推法、移动平均、主观概率法、指数平
滑、回归分析等。
? 定量预测、定性预测和计算机相结合是
当今预测的主导方向。神经网络预测理
论、基于规则的预测系统、专家预测系
统、判断预测、组合预测是当今世界预
测科学发展的最新动向。
?模型选择的原则：要在数据识别上建模、
建立何种模型，并不取决于预测者意图；
应考虑适用、数据易采集和时效的原则；
定量与定性相结合的原则等。
? 对数据选取选用的原则：数据应该具
有代表性，有一定客观规律。对于异常
的数据可采用比例法、移动平均、指数
平滑等方法进行适当的修正。
第三节 支持物流决策的信息分析技术
? 一、数据仓库
? (一 )基本概念
? 1．数据仓库的定义
? 什么是数据仓库，有不同的看法：
?, DW是作为 DSS服务基础的分析型 DB，用来存放
大容量的只读数据，为制订决策提供所需的信息。”
?, DW是与操作型系统相分离的、基于标准企业模型
集成的、带有时间属性的 (即与企业定义的时间区段相
关 )、面向主题及不可更新的数据集合。”
? 综合对数据仓库多种理解以及其作用，
数据仓库可以定义为支持管理决策过程
的、面向主题的、集成的、稳定的、不
可更新的、随时间变化的、分层次的数
据集合。它是一个综合的、面向分析的
数据环境，利用现有的数据进行分析和
推理，从而为决策提供依据而建立的综
合体系。
? 2．数据仓库的作用
? 数据仓库具有两个主要作用：
?一是从各信息源提取决策需要的数据，
加工处理后，存储到数据仓库中；
?二是用户的查询和决策分析的基础。
?(二 )数据仓库的分析
? 1．主题与面向主题
? 数据库 面向应用 进行的数据组织,DW
中的数据是 面向主题 进行数据的组织。
? 主题是一个 抽象的概念,是在较高层
次上将企业信息系统中的数据综合、归
类并进行分析利用的抽象，每一个主题
是决策者关心的问题。
?面向应用进行数据组织方式的特点如下：
? 第一，面向应用进行数据组织，是指
对企业中相关的组织、部门等进行详细
调查，搜集数据库的基础数据以及其处
理的过程。调查的重点是“数据”和
“处理”，在进行数据组织时充分了解
企业的部门组织结构，考虑到企业各部
门的业务活动特点。
? 第二，面向应用进行数据组织应反映一
个企业内数据的动态特征，即要表达每
个部门的实际业务处理数据流程：即从
哪儿获取输人数据，在部门内进行什么
样的数据处理，以及向什么地方输出数
据。按照实际应用即业务处理流程来组
织数据，其主要目的是为了进行联机事
务处理，以提高日常业务处理的速度和
准确性等，提高服务质量。
?第三，这种数据组织方式生成的各项数
据库模式与企业中实际的业务处理流程
中所涉及的单据或文档有很好的对应关
系，这种对应关系使得数据库模式具有
很强的操作性，因而可以较好地在这些
数据库模式上建立起各项实际的应用处
理。
?第四，面向应用进行数据组织的方式并
没有体现数据库这一概念提出的原本意
图； 数据与数据处理的分离 ；要将数据
从数据处理或应用中抽象出来、解放出
来，组织成一个和具体的应用独立的数
据世界。
? 按照面向主题的方式数据的组织应该分
为两个步骤：抽取主题以及确定每个主
题所应包含的数据内容。主题是对应某
一分析领域的分析对象，所以主题的抽
取，应该是按照分析的要求来确定的。
这与按照数据处理或应用的要求来组织
数据的主要不同在于关心的数据内容不
同。
?面向主题的数据组织方式是根据分析要
求将数据组织成一个完备的分析领域，
即主题域。主题域应该具有：
? (1)独立性，如分析所要求的是“商品”
主题域，这一主题域可以和其他的主题
域有交叉，但它必须具有独立内涵，有
明确的界限，规定某项数据是否该属于
“商品”主题。
? (2)完备性，如，在“商品”这一主题内
找到该分析处理所要求的一切内容；如
果涉及现存“商品”主题之外的数据，
就应增加新数据到“商品”主题中来，
从而逐步完善“商品”主题。
?主题只是一个逻辑上的概念，实现时，主题的
数据项多了，可以采取化大为小。主题是一个
在较高层次上对数据的抽象，这使得面向主题
的数据组织可以独立于数据的处理逻辑，因而
可以在这种数据环境上方便地开发新的分析型
应用。同时，这种独立性也是建设企业全局数
据库所要求的，所以面向主题不仅是适用于分
析型数据环境的数据组织方式，且是适用于建
设企业全局数据库的数据组织方式。
?2,Dw数据的集成性
? Dw的数据 是从原有的 分散的数据库的数据 中
抽取来的。两者之间的差别：第一,Dw的每
一个主题所对应的源数据在原有的各自分散数
据库中有许多重复和不一致的地方，且来源于
不同的联机系统的数据都和相同的应用逻辑捆
绑在一起；第二,Dw中的综合数据不能从原
有的数据库系统直接得到。
?因此在数据进入 Dw之前，必然要经过统
一与综合，这是 DW建设中最关键、最复
杂的一步，所要完成的工作有：
? (1)要统一源数据中所有矛盾之处，如
字段的同名异义、异名同义、单位不统
一、字长不一致，等等。
? (2)进行数据综合和计算。 DW中的数
据综合工作可以从原有数据库抽取数据
时生成，但许多是在 DW内部生成的，即
进入 DW以后进行综合生成的。
? 3,DW数据的不可更新性
? DW的数据主要供企业决策分析之用，所涉及的数据
操作主要是数据查询，一般情况下并不进行修改操作。
DW的数据反映的是一段相当长的时间内历史数据的内
容，是不同时点的数据库快照的集合，以及基于这些
快照进行统计、综合和重组的导出数据，而不是联机
处理的数据。数据库中进行联机处理的数据经过集成
输入到 DW中，一旦 DW存放的数据已经超过 DW的数
据存储期限，这些数据将从当前的 DW中删去。因为
DW只进行数据查询操作，所以 DW管理系统 (DWMS)
相比 DBMS而言要简单得多。但是由于 DW的查询数据
量往往很大，所以就对数据查询提出了更高的要求，
它要求采用各种复杂的索引技术。
?4,DW数据的时态性
? DW中的数据不可更新是针对应用来说
的，即 DW的用户进行分析处理时不是进
行数据更新操作的。
?DW的数据是随时间的变化而不断变化的，这
是 DW数据的第四个特征。这一特征表现在以
下三个方面：
? (1)DW随时间变化不断增加新的数据内容，
要不断地生成数据库的快照，经统一集成后增
加到数据库中，但对于每次的数据库快照是不
再变化的，捕捉到新的变化数据，只不过又生
成一个数据库的快照增加进去，而不会对原来
的数据库快照进行修改。
?(2)DW的数据也有存储期限，一旦超过
了这一期限，过期数据就要被删除。只
是 DW内的数据时限要远远长于操作型环
境中的数据时限。
?在操作型环境中一般只保存有 60～ 90天
的数据，而在 DW中则需要保存较长的时
限的数据 (如 5～ 10年 )，以适应 DSS进行
趋势分析的要求。
?(3)DW中包含有大量的综合数据，这些
综合数据中很多跟时间有关，如数据经
常按照时间段进行综合，或每隔一定的
时间片进行抽样等等。这些数据要随着
时间的变化不断地进行重新综合。因此，
DW数据的码键都包含时间项，以标明数
据的历史时期。
二、联机分析处理
? (一 )联机分析处理的定义与特点
? 1．定义
?通过专门的数据综合引擎，辅之以更加
直观的数据方问界面，力图统一分散的
公共应用逻辑，在短时间内响应非数据
处理专业人员的复杂查询要求。 1993年，
E,F,Codd将这类技术定义为,OLAP"。
?2．特点
?一般数据库由于主要用于企业的日常事
务处理工作，存放在数据库中的数据也
就大体符合操作型数据的特点。而为适
应数据分析处理要求而产生的 Dw中所存
放的数据就应该是分析型的数据。
(二 ) OLAP的基本术语
?OLAP是针对特定问题的联机访问和分析
数据。通过对信息 (这些信息已经从原始
的数据进行了转换，以反映用户所能理
解的企业的真实的“维” )的很多种可能
的观察形式进行快速、稳定一致和交互
性的存取，允许管理决策人员对数据进
行深观察。
?1．变量
? 变量是数据的实际意义，描述数据“是什
么”。一般情况下，变量总是一个数值度量指
标。
? 2．维
? 维是人们观察数据的特定角度。
例如，企业常常关心服务收入随着服务水平提
高而产生的变化情况，这时该企业是从服务水
平的角度来观察产品的服务收入，所以服务水
平就是一个维 (服务维 )。
?3．维的层次
? 人们观察数据的特定角度 (即某个维 )还可以
存在细节程度不同的多个描述方面，我们称这
多个描述方面为维的层次。
?例如描述维时间，可以从日期、月份、季度、
年等不同层次来描述，那么日期、月份、季度、
年等就是时间维的层次；同样，城市、地区、
国家等构成了一个地理维的多个层次。
?4．维成员
? 维的一个取值称为该维的一个维成员。
如果一个维是多层次的，那么，该维的
维成员是在不同维层次的取值的组合。
?5．多维数组
? 一个多维数组可以表示为,(维 1，维 2,……,
维 n，变量 )。
?例如，日用品销售数据是按时间、地区和销售
渠道组织起来的三维立方体，加上变量“销售
额”，就组成了一个多维数组 (地区、时间、销
售渠道、销售额 )。如果我们扩展一个维、产品
维，就得到一个四维的结构。
? 6．数据单元
? 多维数组的取值称为数据单元。当多
维数组的各个维选中一个维成员，这些
维成员的组合就惟一确定了一个变量的
值。那么数据单元就可以表示为,(维 1
成员，维 2成员,……,维 n成员，变量
的值 )。
（三 )OLAP的基本分析方法
?多维分析是指对以多维形式组织起来的
数据采取切片、切换、旋转等各种分析
方法，以求剖析数据，使最终用户能从
多个角度、多侧面地观察数据库中的数
据，从而深入地了解包含在数据中的信
息、内涵。
?多维分析方式符合了人的思维模式，使
分析人员能够迅速、一致、交互地从多
个角度、多个侧面来剖析反映企业维的
特性数据，使人们在观察数据时减少混
淆与错误，发现数据后面隐藏的有价值
并能被用户理解的信息、内涵，能更深
刻地反映企业的真实面目和企业所处的
环境，因此减少了混淆，降低了出现错
误解释的可能性。
?1．切片
? 定义 1：在多维数组的某一维上，选定
一维成员的方法称为切片，即在多维数
组 (维 1，维 2,……,维 n，变量 )中选一
维，即维 Vi,……,维 n，变量称为在维
I上的一个切片。
?定义 2：选定多维数组的一个二维子集的
方法叫做切片，即选定多维数组 (维 1，
维 2,……,维 n，变量 )中的两个维：维 I
和维 J，在这两个维上取某一区间或任意
维成员，而将其余的维都取定一个维成
员，则得到的就是多维数组在维 I和 j上一
个二维子集，称这个二维子集为多维数
在维 I和维 J上的一个切片，表示为,(维 I，
维 i，变量 )。
?2．切块
? 定义 l：在多维数组的某一维上，选定
某一区间的维成员的方法称为切块，即
限制多维数组的某一维的取值区间。显
然，当这一区间只取一个维成员时，好
得到一个切片 (切片的定义 1)。
?定义 2：选定多维数的一个三维子集的方法称
切块。即选定多维数组 (维 1，维 2,……,维 n，
变量 )中的三个维：维 I、维 i和维 r，在这三个维
上取某一区间或任意的维成员，而将其余的维
都取定一个维成员，则得到的就是多维数组在
维 I、维 i和维 r上一个三维子集，我们称这个三
维子集为多维数组在维 I、维 i和 r上的一个切块，
表示为,(维 I，维 i，维 r，变量 )。切块与切片
的作用与目的是相似的。
? 3．旋转
? 旋转即是改变一个报告或页面显示的维方向。
例如，旋转可能包含了交换行和列；或是把某
一个行维移到列维中去，或是把页面显示中的
一个维和页面的维进行交换 (令其成为新一行或
列中的一个 )把一个横向为时间、维向维产品的
报表旋转成为横向为产品、维向为时间的报表。
? (四 )OLAP的衡量标准
? 1993年,E,F,Codd在, Providing
OLAP(On—Line Analytical Pro—
cessing)to User Analysts,中提出了有关
OLAP的十二条准则，其多维数据分析、
客户／服务器结构、多用户支持及一致
的报表性能等得到了在多数人的认可。
?他所阐述的有关 OLAP产品及其所依赖的
数据分析模型的一系列概念及衡量标准
对 OLAP产品的识别及后来发展方向的确
立都有着重要的作用，尽管 Codd提出的
十二条准则也在不断的完善，但仍可以
?作为评价和购买 OLAP产品的参考标准。
?准则 1 OLAP模型必须提供多维概念视图
? 从用户分析员的角度来看，整个企业的
视图本质上是多维的，因此 OLAP的概念
模型也应是多维的。
?准则 2透明性准则
? 无论 OLAP是否是前端产品的一部分，
对用户来说，它都是透明的；如果在客
户／服务器结构中提供 OLAP产品，那么
对最终分析员来说，它同样也应透明。
?准则 3存取能力准则
? OLAP系统不仅能进行开放的存取，而且还提
供高效的存取策略。 OLAP用户分析员不仅能
在公共概念视图的基础上对关系数据库和外部
存储的数据进行分析。
?准则 4稳定的报表性能
? 当数据维数和数据综合层次增加时，提供给
最终分析员的报表能力和响应速度不应该有明
显的降低和减慢，这对维护 OLAP产品的易用
性和低复杂性至关重要。即便是企业模型改变
时，关键数据的计算方法也无需更改。也就是
说,OLAP系统模型对企业模型应该具有“鲁
棒”性。
?准则 5客户／服务器体系结构
? OLAP是建立在客户／服务器体系结构上的。
这要求它的多维数据服务器能够被不同的应用
工具访问到。
?准则 6维的等同性准则
? 每一数据维在数据结构和操作能力上都是等
同的。系统可以将附加的操作能力授给所选维，
但必须保证该操作能力可以授给任意的其他维，
即要求维上的操作是公共的。该准则实际上是
准 l的一个补充，是对维的基本结构和维上的操
作的要求。
?准则 7动态的稀疏矩阵处理准则
? OLAP工具的物理模型必须充分适应指
定的分析模型，提供“最优”的稀疏矩
阵处理，这是 OLAP工具的应遵循的最重
要的准则之一。
?准则 8多用户支持能力准则
? 多个用户分析员可以同时工作于同一分析模
型上或是可以在同一企业数据上建立不同的分
析模型。该准则可由准则 5推出。 OLAP工具必
须提供并发访问、数据完整性及安全性机制。
? 准则 9非受限的跨维操作
? 多维数据之间存在固有的层次关系，这就要
求 OLAP工具能自己推导出而不是最终用户明
确定义出相关的计算。对于无法从固有关系中
得出的计算，要求系统提供计算完备的语言来
定义各类计算公式。该准则是对准则 l的一个补
充，对操作能力和操作范围做出了要求。
?准则 10直观的数据操纵
? 这一准则要求数据操纵。这一准则要求
数据操纵直观易懂。综合路径重定位、
向上综合、向下挖掘和其他操作都可以
通过直观、方便的点击操作完成。
?准则 11灵活的报表生成
? 报表必须从各种可能的方面显示出从数
据模型中综合出的数据和信息，充分反
映数据分析模型的多维特征。
?准则 12不受限维与聚集层
? OLAP工具的维数应不小于 15维，用户
分析员可以在任意给定的综合路径上建
立任意多个聚集层次。
三、数据挖掘 (DM)
? (一 )概念
? 1．定义
? DM是一个 从大型数据库中抽取隐含的、从
前未知的、潜在有用的信息或关系的过程。
?它是从各种相关数据库的大量数据中提取出人
们感兴趣的知识和规则，这些知识和规则是可
信的、新颖的、有效的，并能容易被人理解的。
?2．作用
? 自动智能地分析数据库中的大量数据，
以获取信息，是推动数据挖掘型工具产
生并发展的强大动力。超级对象的经理
人员希望能从过去几年的销售记录中分
析出顾客的消费习惯和行为，以便及时
变换营销策略。
? 3．与知识发现的关系
? DM和知识发现 (KDD,Knowledge
Discovery in Database)有密切的联系。知
识发现是指从数据库中发现有用知识的
整个过程,DM则是这一过程中的一个特
定步骤。
4．特点
? DM的特点有：
? (1)处理的数据规模十分庞大；
? (2)由于用户不能形成精确的查询要求，因此需要靠
DM技术来寻找其可能感兴趣的东西；
? (3)DM对数据的迅速变化应作出快速响应，以提供
决策支持信息；
? (4)DM既要发现潜在规则，还要管理和维护规则，
随着新数据的不断加入，规则需要随之更新；
? (5)DM中规则的发现基于统计规律，发现的规则不
必适合于所有数据，而且当达到某一阈值时，便认为
有此规则。
(二 ) DM的技术
?DM涉及面相当广泛，从机器学习、模式识别、
统计学、智能数据库、知识获取直到数据可视
化、高性能计算、专家系统等各个领域。 DM
主要任务通常有分类、聚类、预测和关联等，
以便从浩瀚的数据海洋中采掘出有价值的求知
信息来支持决策，提高决策支持系统的正确性
和可行性。 DM技术应用诸如：神经网络、模
糊逻辑、遗传算法之类的统计分析工具。
?1．人工神经网络方法
? 人工神经网络方法是由大量的简单处
理单元 (即神经元 )所构成的一种能模仿延
伸人脑认知功能的新型信息处理系统，
它具有巨量并行处理信息和推理能力、
存储分布性、结构可变性、高度非线性、
自学习性和自组织性等特点，是 DM技术
中最重要的方法之一。
? 2．遗传算法
? 遗传算法 (Genetic Algorithms)可起到产
生优化后代的作用。这些后代需满足适
应值，经过若干代的遗传，将得到满足
要求的后代 (即问题的解 )。遗传算法已在
优化计算和分类机器学习方面发挥了显
著作用。
? 3．决策树方法
? 决策树方法 (Decision Trees)是利用信息
论中的互信息 (信息增益 )寻找数据库中具
有最大信息量的属性字段，建立决策树
的一个结点，再根据该属性字段的不同
取值建立树的分支；在每个分支子集中
重复建立树的下层结点和分支的过程。
(三 )DM的分析方法
?DM系统利用的技术越多，得出的结果精
确性就越高。原因很简单，对于某技术
不适用的问题，其他方法却可能奏效。
这主要取决于问题的类型以及数据的类
型和规模。无论采用哪几种技术来完成
任务，从功能上可以将 DM的分析方法划
分为以下四种 (根据 IBM的划分方法 ),关
联分析、序列模式分析、分类分析、聚
类分析。
? 1．关联分析
? 关联分析 (Associations)的目的就是为了
挖掘出隐藏在数据间的相互关系。
?2．序列模式分析
? 序列模式分析 (sequential Patterns)和关联
分析法相似，其目的也是为了挖掘出数
据之间的联系，但序列模式分析的侧重
点在于分析数据间的前后 (因果 )关系。
?3．分类分析
? 分类分析 (classifiers)。假定记录集合和一组
标记 (TAG)，所谓标记是指一组具有不同特征
的类别。
? 4．聚类分析
? 聚类分析 (clustering)。与分类分析不同，聚
类分析法的输入集是一组未标定的记录，也就
是说此时输入的记录还没有被进行任何分类。
其目的是根据的这些规则是由聚类分析工具定
义的。由于聚类分析可以采用不同的算法，所
以对于相同的记录集合可能有不同的划分。可
以看出，许多在分类分析法中适用的算法同样
适用于聚类分析法。
(四 )DM系统的实施
?DM的核心技术是人工智能、机器学习、
统计等，但一个 DM系统不是多项技术的
简单组合，而是一个完整的整体，它还
需要其他辅助技术的支持，才能完成数
据采集、预处理、数据分析、结果表述
这一系列任务，最后将分析结果呈现在
用户面前。根据功能，整个 DM系统可以
大致划分为三级结构。
?DM的数据分析过程可以分成四个步骤：
? 1．数据准备
? 数据准备 (Data Preparation)：本阶段又
可进一步细分两步数据集成、数据选择
和预分析。
?(1)集成 (Integration)：
?(2)数据选择和预分析 (Data Selection and
Pre—Analysis)：
?2．挖掘
? 挖掘 (Mining),DM处理器 (Data Mining
Processor)综合利用前面提到的四种 DM方法分
析数据中的数据。
? 3．表述
? 表述 (Presentation)：与验证型工具一样,DM
将获取的信息以便于用户理解和观察的方式反
映给用户，这时可以利用可视化工具。
? 4．评价
? 评价 (Asess)：如果分析人员对分析结果
不满意，可以递归地执行上述三个过程，
直到满意为止。
(五 )DM与 OLAP的区别和联系
?DM与 OLAP都属于分析型工具，但两者
之间有着明显的区别。
? DB工具 (包括查询工具、报表生成器等 )
都属于操作型工具，它们建立在操作型
数据之上，主要是为了满足日常信息提
取之需。
? DM是一种挖掘型工具，它能有效地从大量数
据中自动地发现隐藏在数据中的模式。 DM与
其他分析型工具最大的不同在于：它的分析过
程是自动的。 —个成熟的 DM系统除了具有良
好的核心的技术外，还应该具有开放性的结构，
友好的用户接口。 DM的用户不必提出确切的
问题，而只需 DM去挖掘隐藏的模式并预测未
来的趋势，这样更有利于发现未知的事实。
? OLAP是一种自上而下、不断深入的分析工具,用户
提出问题或假设,OLAP负责从上至下深入地提取出关
于该问题的详细信息,并以可视化的方式呈现给用户。
与 DM相比,OLAP更多地依靠用户输入问题和假设，
但用户先入为主的局限性可能会限制问题和假设的范
围，从而影响最终的结论。因此，作为验证型分析
OLAP更需要对用户需求有全面而深入的了解。显然，
从对数据分析的深度的角度来看,OLAP位于较浅的层
次，而 DM所处的位置则较深。如果按前面所介绍的
E,F,Codd的数据分析模型来区分这两者，那么应该
说 OLAP实现了解释模型和思考模型，而 DM则实现了
更深的第四层一解析模型。所处分析模型层次的不同
决定了这两者的分析能力和所能回答的问题种类也不
相同。
四、空间分析
?由于物流的主要目的之一是实现物品的
空间转移，因此空间分析对物流来说是
一类非常重要的分析内容。
?说是一类非常重要的分析内容。 由于
数字概念与方法的引入，并从统计方法
扩展到运筹学、拓扑学等方法的应用，
进一步促进了空间分析、定量分析的能
力。
(一 )空间分析层次
?GIS的空间分析可分为三个不同的层次。
?一是空间检索,包括从空间位置检索空间物体
及其属性和从属性条件集检索空间物体。
? 二是空间拓扑叠加分析,空间拓扑叠加实现了
输入特征的属性的合并以及特征属性在空间上
的连接。空间拓扑叠加本质是空间意义上的布
尔运算。
?三是空间模拟分析,空间模拟分析刚刚起步。
(二 )GIS与空间模型分析
?目前多数研究工作着重于如何将 GIS与空
间模型分析相结合，其研究可分三类：
?第一类是 GIS外部魄窝间模型分析，将
GIS当作一个通用的空间数据库，而空间
模型分析功能借助于其他软件；
?第二类是 GIS内部的空间模型分析，试图
利用 GIS软件来提供空间分析模拟以及发
展适用于问题解决模型的宏语言，这种
方法一般基于空间分析的复杂性与多样
性，易于理解和应用，但由于 GIS软件所
能提供空间分析功能极为有限，这种紧
密结合的空间模型分析方法在实际 GIS的
设计中较少使用；
?中较少使用；
? 第三类是混合型的空间模型分析，其
宗旨在于尽可能地利用 GIS所提供的功能，
同时也充分发挥 GIS使用者的能动性。
第四节物流系统模拟
?一、模拟的定义与特点
? (一 )模拟的定义
? 系统模拟被定义为：在建立数字逻辑模
型的基础上，通过计算机实验，对一个
系统按照一定的决策原则或作业规则由
一个状态变换为另一个状态的动态行为
进行描述和分析。
?(二 )模拟的特点
? 系统模拟具有一种数值技术；是一种
“人工”实验手段；是以计算机作为工
具；是对系统状态在时间序列中的动态
写照；大多属于随机性系统模拟等特点。
二、物流系统中模拟技术应用的方法
? (一 )系统动力学方法
? 系统动力学 (SD,Systems Dynamics)是
研究信息反馈系统动态行为的计算机模
拟方法。
1,SD的构造模型思路与理论依据
?SD是从系统的微观结构入手，根据系统的结构
与功能的相互关系构造系统模型，同时，必须
深入到实际系统中所包含的那些不完全可测量
的因果反馈关系中去，把可度量的描述系统动
态变化趋势的数据，与不可度量的系统内部的
非线性关系联系起来。信息反馈回路是动态系
统的基本结构，任何系统都存在着一个或几个
主要反馈回路，他们决定系统的主要结构和动
态趋势。
?2,SD模型结构
? SD模型结构一般包括绘制因果关系图、系统
流图和构造数学模型。
? (1)因果关系图是用来描述系统因果反馈结构
的一种关系图形，它的主要任务：确定系统的
边界，定义系统的主要变量；表明变量间的因
果关系，应用因果关系链表示各变量的作用方
向；标识主要反馈回路。
? (2)系统流图是 DYNAMO程序设计的基础。它
由四个基本要素组成：流位 (1evel，存于系统
内部流的积累，如库存量 )、流率 (rate，表示在
流位变量之间单位时间内通过的流量，它可控
制流入与流出流的大小，可称为决策函数，还
可以设置辅助变量于流位变量与速率变量之问
的信息通道中的变量，成为速率表达式的一个
组成部分，当速率表达式很复杂时，可以用辅
助变量简化速率表达式。信息流和物流的符号，
如图 8—2所示。
(3)SD数学模型：由流位方程 (L方程，实
体流在流位变量中的积累过程 )、速率方
程 (R方程 )、辅助方程 (A方程 )、初值方程
和常量方程 (C方程 )等组成。
?DYNAMO语言 (DYNAMIC Models)是一
种计算机模拟语言，它由描述语句、控
制语句和函数组成，用于 SD模型使用计
算机来模拟实现现实系统的动态行为，
如库存的控制。
?(二 )其他方法
? 物流系统是一个复杂的动态过程系统，
涉及的随机因素很多，许多新的应用数
学模型和算法的出现，使得能够在计算
机的模拟下，预测物流系统的运行情况，
提供系统最佳配置而达到最佳效果。下
面简单的列举一些方法，不作展开。
?1．蚁群算法
? 蚁群算法 (Ant colony system)的创始人 Marco
Dorigo等受自然界蚁群的社会性行为的启发，
在 20世纪九十年代提出了一种新型的分布式模
拟算法，其基本思想是模仿蚂蚁依赖信息素进
行通信而显示出的社会行为。由于大规模的并
行计算，使蚁群避开了局部最优，采用了正反
馈机制，收敛速度加快，使用构造性的贪婪算
法，能在搜索的早期阶段找到较好的可行解。
?2．进化计算方法
? 模拟生物 (包括人类 )和各种自然现象解
决高度非线性、内部一类问题不很清楚
的。包含遗传算法、进化策略和进化规
划。许多组合优化问题，如旅行商 (TSP)
问题和调度问题 (作业调度问题和时间表
问题 )都能得到较好的解决。
?三、物流系统中的配置问题模拟
? 服务系统由服务机构和顾客构成。要求服务
的“顾客”可以是人，也可以是物。物资中心
(或储运仓库，物资转运站等 )是一个综合物流
服务系统。在装卸、运输作业中，许多服务项
目具有随机性质，例如某客户送来一车货物，
要求卸货人人库储存，而装卸工人和设备可能
正忙于其他装卸任务。这样，装卸工人和设备
与待卸货物就构成一个服务系统。
