数据挖掘技术在宏观经济智能决策支持系统中的研究与应用

论文摘要

数据挖掘作为一门新兴学科,它把人们对数据的应用从低层次的简单查询,提升到从数据中挖掘知识,提供决策支持。通过数据挖掘能自动处理数据仓库中的海量数据,抽象出具有意义的模式,找出人们所需的目标知识。宏观经济是一个由诸多相互关联且存在一定因果关系的经济元素所组成的庞大系统。对于正处于转型期的我国宏观经济而言,由于经济制度、市场规范等各方面都正在建立和完善,进行经济预测与决策变得更加复杂而有意义。依托于本人参与研究和开发的省重大创新项目“基于数据仓库的宏观经济智能决策支持系统”的支撑,本文系统阐述了数据挖掘的相关理论,介绍了分类、回归、聚类、关联规则这四种常用的方法;根据数据挖掘的优点与宏观经济的特性,提出把数据挖掘作为宏观经济预测的新方法,并设计实现了数据挖掘子系统,将支持向量机算法,神经网络算法,模糊C聚类算法,最小二乘算法和Apriori算法应用于宏观经济进行数据挖掘的应用研究。实际应用表明,数据挖掘技术对经济预测能取得很好的效果。本文的创新点有:1、根据数据挖掘的优点与宏观经济数据高维、小样本、时序、多主题、多层次的特点,提出把数据挖掘作为宏观经济预测的新方法。2、将数据挖掘应用于宏观经济的分析,将零散的经济数据抽取、转换为按多主题划分的数据仓库,并使用数据挖掘中分类、回归、聚类、关联规则方法对宏观经济实际问题进行挖掘,把经济学与智能计算有机结合起来。3、提出了一种新的基于边界向量的支持向量机快速学习算法,此算法速度比传统支持向量机的速度有较大提高,计算中对内存空间的要求也有明显降低。同时由于在选择边界向量的过程中并没有丢失支持向量,从而对支持向量机的性能也不会有影响。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.2 研究现状
• 1.3 课题的意义
• 1.4 主要工作
• 1.5 论文组织结构
• 第二章 数据挖掘概述
• 2.1 数据挖掘的概念及特点
• 2.2 数据挖掘的过程
• 2.3 数据挖掘的方法
• 2.3.1 分类
• 2.3.2 回归
• 2.3.3 聚类
• 2.3.4 关联规则
• 2.4 数据挖掘的应用
• 2.5 本章小结
• 第三章 基于数据仓库的宏观经济智能决策支持系统的设计
• 3.1 项目概述
• 3.2 系统总体架构设计
• 3.3 系统流程图
• 3.4 宏观经济数据仓库设计
• 3.5 数据挖掘服务器设计
• 3.6 本章小结
• 第四章 数据挖掘模块的总体设计
• 4.1 数据挖掘模块概述
• 4.2 数据挖掘模块用例图
• 4.3 数据挖掘模块总体活动图
• 4.4 数据挖掘模块总体实现类图
• 4.5 本章小结
• 第五章 支持向量机分类在宏观经济预测中的应用
• 5.1 样本和指标的选择
• 5.2 数据的预处理
• 5.3 核函数和训练参数的选择
• 5.4 建立宏观经济预测支持向量机模型
• 5.5 支持向量机算法的优化
• 5.5.1 支持向量机基本思想及其缺点
• 5.5.2 SVM优化算法的基本思想
• 5.5.3 边界向量的求解算法
• 5.5.4 基于边界向量的快速算法的基本步骤
• 5.5.5 算法的时间和空间复杂度分析
• 5.6 支持向量机算法的实现
• 5.7 调用支持向量机算法挖掘时时序的主要步骤
• 5.8 预测结果分析
• 5.9 本章小结
• 第六章 神经网络回归在宏观经济预测中的应用
• 6.1 样本和指标的选择
• 6.2 数据的预处理
• 6.3 隐含层数和层内神经元数目的选择
• 6.4 建立宏观经济预测神经网络模型
• 6.5 神经网络算法的实现
• 6.6 调用神经网络算法挖掘时时序的主要步骤
• 6.7 预测结果分析
• 6.8 本章小结
• 第七章 模糊C聚类在宏观经济预测中的应用
• 7.1 样本和指标的选择
• 7.2 数据的预处理
• 7.3 聚类中心和隶属矩阵的求解
• 7.4 模糊C均值算法的实现
• 7.5 调用模糊C聚类算法挖掘时时序的主要步骤
• 7.6 预测结果分析
• 7.7 本章小结
• 第八章 Apriori关联规则在宏观经济预测中的应用
• 8.1 样本和指标的选择
• 8.2 数据的预处理
• 8.3 Apriori频繁项集的产生
• 8.4 Apriori算法的实现
• 8.5 调用Apriori算法挖掘时时序的主要步骤
• 8.6 预测结果分析
• 8.7 本章小结
• 第九章 总结与展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果