数据挖掘技术论文数据库技术论文——数据挖掘技术在饰品设计中的应用

数据挖掘技术论文数据库技术论文——数据挖掘技术在饰品设计中的应用

ID:47724896

大小:42.00 KB

页数:7页

时间:2019-11-06

数据挖掘技术论文数据库技术论文——数据挖掘技术在饰品设计中的应用_第1页
数据挖掘技术论文数据库技术论文——数据挖掘技术在饰品设计中的应用_第2页
数据挖掘技术论文数据库技术论文——数据挖掘技术在饰品设计中的应用_第3页
数据挖掘技术论文数据库技术论文——数据挖掘技术在饰品设计中的应用_第4页
数据挖掘技术论文数据库技术论文——数据挖掘技术在饰品设计中的应用_第5页
资源描述:

《数据挖掘技术论文数据库技术论文——数据挖掘技术在饰品设计中的应用》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、数据挖掘技术论文数据库技术论文数据挖掘技术在饰品设计中的应用[摘要]本文简要阐述了饰品设计的现状,提出了将数据挖掘技术应用到饰品设计的方案,并使用Microsoft时序模型对企业数据进行了销售预测,且对该挖掘模型进行了验证。这为饰品企业的决策提供了新的思路,有利于帮助领导更准确地进行市场定位,把握未来饰品发展趋势,具有一定的实用价值。  [关键词]数据挖掘Microsoft时序饰品设计销售预测决策  自从有人类开始,饰品便与服装同时出现,发展到今天,已有久远的历史。怎样将饰品融入现代文化观念,怎样设计新的饰品

2、,及什么样的设计才能被消费者接受,都是新一代饰品设计所面临的新问题。饰品设计虽然出自设计师之手,但并不是凭空想象的,而是根据企业年度计划书进行设计的,针对不同区域、不同民族,饰品的设计风格、材料、款数及生产总量都是不同的,企业领导必须要先了解往年的饰品销售情况以及各地区的特色,才能准确地定位饰品流行趋势。信息化的推进让企业积累了大量的数据,企业领导要进行决策前需要了解各个业务部门的数据。而这些数据通常是零散的、不规范的,像噪声数据、空缺数据和不一致数据等问题都会给领导的决策带来了困扰。现在企业面临的一个共同问

3、题是企业数据量非常大,而其中真正有价值的信息却很少。数据挖掘的出现,给企业决策者带来了辅助决策支持。企业可以利用先进的数据挖掘和商务智能分析技术,通过对历史信息的分析、挖掘实现对饰品流行趋势信息的预测,提高市场命中率,降低滞销率。  一、数据挖掘技术  1.数据挖掘概念  数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其它模型化处理,从中提取辅助商业决策的关键性数据。利用从不同数据中发现的已知结果,预测是对未来产品需求的分析,企业领导可以在预测的基础上针对未

4、来需求做出决策,利用最少的资源获取最大化的利润,准确的预测可以帮助企业进行更好的市场定位和制定更有效的生产计划,减少失销现象和库存,加强生产、物料规划以充分利用公司资源。  时间序列是一种基于前期销售数据的纯理性销售预测模型,能有效模拟饰品销售的季节性、周期性和趋势性,因此借用时间序列预测能有效修正人员预测的主观性,提高预测精度。时间序列预测法的基本思想,在分析销售数据时,通常都将销售数据按照年、月的次序进行排列,以观察其轨迹。所谓的时间序列预测法就是采用此种方式,分析销量随时间变化的动向,从而来预测未来销量

5、的一种方法。  2.Microsoft时序算法  Microsoft时序算法是一个新的预测算法,是MicrosoftSQLServer2005AnalysisServices提供的回归算法,它结合了自动回归技术和决策树技术。我们也把该算法称为自动回归树(AutoRegressionTree,ART)。用于创建数据挖掘模型以预测连续列,如预测企业的产品销售额。时序模型的预测仅根据算法在创建模型时从原始数据集派生的趋势。  (1)使用多个时间序列。就DMX而言,一个时间序列就是一个事例。一年有52个星期,在一年中

6、饰品每周的销售额形成的时间序列是一个事例。一个挖掘模型可能包含多个时间序列。例如,一个模型可能包含所有饰品销售额的时间序列,包括耳环、项链、戒指、吊坠等等。并且这些序列可能不是相互独立的,如项链和吊坠的销售额可能有较强的关联关系。当这种关系存在的时候,Microsoft时序算法可以识别出这些序列是交叉序列。这是该算法独特的特征之一。  (2)自动回归树。使用Microsoft时序算法创建的模型是一个自动回归模型,在该模型中,函数对应于一棵回归树,即在ART中,函数代表回归树。图1显示了使用时间序列数据创建的项

7、链-吊坠回归树。回归树的第一个拆分条件是两个月前吊坠的销售额。如果两个月前吊坠的销售额超过5000,则另一个拆分属性是上个月项链的销售额。在上个月项链的销售额少于6000的情况下,项链销售额的线性回归公式如(1)式所示。  (1)  图1项链-吊坠回归树  (3)季节性。大多数时间序列都有季节性的模式。在文献[4]中详细介绍了ART使用事例转换的步骤处理季节性,还可以使用季节性参数Periodicty_Hint来增加历史数据点。在饰品就属于季节性非常强的产品,一般季节性的周期是3个月。在周期为3个月的情况下,

8、ART在一个表中包含观察值、、……、、、、……、,则回归树将在拆分的时候使用这些观察值,并且在回归树节点的回归公式中也将使用这些观察值。当有多个周期性的时候,ART算法基于季节性在经过转换的事例表中增加多个列。如果没有指定周期性,则Microsoft时序算法将使用自动检测季节性的功能,并且基于快速傅立叶变换。  (4)预测历史。当一个时序模型处理完之后,该模型可以用来对未来进行预测,还可以对历史进行

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。