一、比赛成绩数据仓库维度建模研究(论文文献综述)
刘娜[1](2019)在《基于数据分析的高校教学管理决策支持方法研究》文中研究说明快速发展的信息技术使教育信息化成为可能,教学管理数据库中存储了大量的数据,如何发现数据中隐藏的信息,充分发挥数据的价值,为学校的教学管理提供决策支持,逐渐成为教育领域工作者探索的新方向。本论文来源于课题组与厦门某高职院校合作的教学管理系统开发项目,着重探究如何从大量教学数据中分析出能够为高校教学管理提供决策支持的信息。高职院校的生源质量比普通高等学校差,学生的学习积极性和学习效率普遍低下,挂科现象更加严重,有很多学生因学分达不到要求而中途退学或无法按时毕业,同时由于缺乏对就业岗位的提前了解,盲目择业导致毕业生的工作满意度不高,企业对毕业生及学校的评价也比较低,为了改善这种现象,学校除了需要加强教育监管力度,还需要增加相应的教学辅助手段。本论文从高职院校的教学管理需求出发,选择成绩和就业两个主题,研究利用数据库中的大量数据为教学管理提供决策支持的方法。根据不同的分析需求选择合适的分析方法,完成了具体的应用形式设计,并以某高职院校提供的数据为例进行了方法应用展示,主要研究内容如下:首先指出了高职院校具有提高教学质量和毕业生就业质量的迫切需求,分析了运用数据分析辅助教学管理的现实意义,并对相关领域的研究现状进行了阐述;其次进行了需求分析,依次建立了数据仓库的概念模型、逻辑模型和物理模型,规定了数据在数据仓库中的存储形式,搭建了学生成绩和就业数据仓库模型,为接下来的数据分析奠定基础;接着从成绩和就业两个方面,对教学管理数据分析及可视化的需求进行了概述,在此基础上进行了学生成绩影响因素的统计分析,并设计了基于可视化技术的学生成绩分析和就业信息查询功能的应用形式,;最后探究了如何利用数据挖掘技术实现课程关联分析、课程成绩预测和学生就业指导,并且设计了各辅助技术的应用形式。本论文从高职院校的教学管理需求出发,对教学管理决策支持技术进行了研究,提出了利用数据分析为高校教学管理提供决策支持的普适性应用方法,为探究结合数据可视分析与数据挖掘技术解决教育问题提供借鉴思路,对同样具有成绩分析或就业指导需求的学校具有一定的参考价值。
徐晶晶[2](2018)在《基于校园卡数据的学生行为分析研究》文中研究表明随着教育信息化的不断发展和互联网技术在教育行业的深度应用,许多高校基于云计算和大数据技术,在智慧校园建设上取得了很大的进步。智能化应用系统的建设和运行,为在校师生的学习和生活带来了极大便利,同时也为高校积累了大量数据,这些数据中有许多是学生的行为数据。如何有效地利用学生行为数据,通过数据挖掘技术分析其行为特征,实现因材施教、智能化管理、提高教育教学质量和工作效率,具有一定的实际意义。校园一卡通系统最能反映学生在校学习和生活的行为,它每天产生大量的流水记录,包括学生的购物、就餐、图书借阅、上网、洗浴、打水、宿舍和图书馆门禁等行为信息,这些数据隐含着不直观但又非常有价值的信息。本文基于我校的校园卡数据,从消费、生活习惯和学习努力程度三个指标对学生行为进行分析。构建基于聚类分析的学生行为分类模型,将行为指标进行细分,刻画学生画像,为学生制定个性化的管理方案,为高校学生管理者提供决策依据并建立异常行为预警机制。再对成绩和行为指标进行关联分析,找到行为与成绩之间的规则,引导学生改善不良行为习惯、提高学习效率,从而提高学生成绩。本文还对关联规则中的Apriori算法进行了改进,并通过实例和实验与改进前的算法进行对比分析,验证了改进后算法的可行性和更高的效率,并将改进后的算法应用到了学生行为分析当中。
王嘉琪[3](2018)在《基于数据挖掘技术的P2P借贷违约风险识别模型研究》文中研究说明在互联网经济日益扩张的今天,为满足多样化的投资和借贷需求,互联网金融产业下的P2P借贷业务快速扩张。但近年来,P2P借贷业务发展遇到了一系列问题,尤其是较高的违约率带来的坏账问题,导致P2P平台和投资者遭受损失。建立有效的P2P借贷违约风险识别模型,对于平台的风险控制和行业的长远发展,有着重要的意义。本文旨在运用当前较为主流的数据挖掘方法,寻找并构建能够有效识别P2P借贷违约风险的模型,从而实现P2P平台中潜在违约情况的及时预测,有效降低P2P平台因高违约率而带来的损失,进而提高生存能力。本文首先对P2P借贷业务进行了基本分析,阐述了所采用的几类数据挖掘模型的基本思想和特点。然后,以“拍拍贷”公开的借款人数据集为例进行数据采集,对所采集得到的P2P借贷记录数据进行数据清洗和特征工程。此后,对清洗以后的数据集分别建立逻辑回归(Logistic)、神经网络、支持向量机(SVM)、C50决策树、随机森林、GBDT迭代树和XGBoost等P2P违约风险识别的数据挖据模型,并且选择准确度、精确度、召回度和F1统计值等评估指标来对各个模型的预测效果进行评估和对比。最后,分别选择其中表现效果较佳的XGBoost模型和逻辑回归模型作为基模型和第二阶段的模型,采用Stacking集成学习的方法,建立最终的违约识别组合模型。本文的最终研究结果表明,运用开源工具R语言,基于包含P2P借款用户的基本信息、网络行为、教育信息、社交网络和第三方数据等多维度数据,采用当前流行的数据挖据模型XGBoost建立的Stacking模型组合在对P2P借贷违约风险的识别中具有比单一预测模型更好的预测效果。在测试数据的表现情况来看,该模型不仅能够识别出相当比例的违约用户,同时也能避免过度“误杀”正常借款用户。因此,本文的研究结果可以有效辅助P2P平台及时预测和识别潜在的违约风险,帮助投资者保障合法收益,并且促进P2P行业的监管。
朱福英[4](2017)在《基于商业智能的区域公立医院绩效管理系统》文中认为随着国内计算机技术的快速发展,商业智能(BI)技术应用于医疗市场,促使国内医疗信息化的快速发展,同时,国家政策对公立医院绩效考核以及医疗大数据信息化建设的越来越重视,对区域内公立医院的信息数据进行绩效管理分析并实现决策支持是现代信息化建设的必然趋势。本论文在前期卫生管理机构对公立医院绩效考核评估的需求调研基础上,设计了一个完整的功能较为完善的区域公立医院绩效管理系统,同时利用商业智能技术分析绩效指标数据。主要工作内容如下:(1)对目前建立满足区域卫生管理机构对各公立医院的绩效考核管理进行需求分析,比较目前使用较为广泛的C/S和B/S架构的优缺点,选择使用B/S模式在Windows平台完成绩效管理系统的网络架构设计,实现简单系统维护和用户便捷地登录访问系统;并根据数据库的需求分析设计了中心数据库的概念模型、逻辑结构和物理结构。(2)为获得更加形象、智能化的绩效指标考核分析结果,并提供决策支持依据,采用商业智能技术对绩效指标进行分析,因此将整个系统划分为商业智能分析子系统和Web应用子系统。绩效商业智能分析子系统采用Oracle公司的商业智能平台,充分运用商业智能技术中的数据仓库和联机分析处理技术,基此,以PL/SQL开发数据库的存储过程对数据进行采集、转换清洗、汇总统计、指标核算,并设计了本子系统的多维数据分析模型,用BI分析展示工具实现绩效分析数据展示;Web应用工程采用JAVA作为系统主要开发语言和Spring,SpringMVC和MyBatis技术框架(SSM)设计实现,采用免费的Tomcat服务器作为Web应用服务器。(3)将绩效商业智能分析子系统集成到Web应用工程中,实现了无缝连接,搭建了完整的区域公立医院绩效管理系统,并展示和测试验证了系统各个模块功能。系统基本满足了区域公立医院绩效管理工作的需求,具有极大的扩展性,规范了公立医院绩效考核管理工作,对区域内公立医院的绩效考核数据进行商业智能化分析,改善了卫计委或卫生管理机构对当地区域内公立医院的绩效考核管理的工作效率、安全性以及智能化。
杜典熠[5](2012)在《基于中职学生数据的多维分析和职业能力预测方法研究》文中研究表明目前我们中职学校在校园信息化建设中部署了各种信息系统,并积累了大量的教育教学数据,但对这些异构数据的集中管理和利用,尤其是进行教育管理与决策等方面的研究较少。如何基于这些数据加以综合分析并为学校教学管理提供决策依据,是当前提高我们中职学校教科研管理水平的有效途径之一。本文首先对国内外的教育数据挖掘研究进行了综述,并简单介绍了数据仓库和数据分类技术;然后对我校教务管理系统——Pantoshool系统的近四年的学生数据进行了详细的分析,根据需求对学生数据立方模型进行了设计,通过Oracle数据库的Analytic Workspace Manager组件建立了学生流失率数据立方、学生就业率数据立方、学生评价数据立方,对其进行了多维分析;最后基于学生评价数据立方使用了BP神经网络和ID3决策树等方法,通过MATLAB编程实现了对学生职业能力的预测。本文的工作可以帮助我们的管理层从不同方面、不同层次了解到学生管理中的各种情况、及早发现问题,以便作出科学的判断和决策;对于家长和孩子则可以及时了解学生的学习及在校的各方面表现,并对其未来的职业能力发展趋势进行预判和对现有的问题进行纠正。
冯兴超[6](2011)在《多维分析在军队基层干部队伍管理中的应用研究》文中提出军队基层干部是军队基层管理工作的主体,如何对干部的信息进行多维度的全景式的分析,得出有效信息,为制定和实施干部政策提供意见和决策建议,是当前干部队伍管理中面临的一个重要问题。当前的业务流程以及数据源构成的应用环境己经不能满足这样的需求。近年来,随着数据仓库(DW)、联机分析处理(OLAP)技术的成熟和普及,使利用现有管理系统和档案存储的信息数据,支持领导多维度、多角度分析基层干部队伍信息提供了一个良好的整体解决方案。本文在研究数据仓库技术与OLAP技术的基础上,对军队基层干部队伍管理现状进行了分析,指出了管理中存在的问题和原因,并详细阐述了数据仓库技术和OLAP技术是解决缺乏分析数据的一条重要技术途径。通过专家直观判断法和德尔菲法,比较科学合理地确定了干部信息、任免管理、培训管理、考核管理四个多维分析主题;在多维模型的设计上,采取了用户驱动与数据驱动相结合的设计理念,避免了设计中可能存在的不能满足用户的需求或没有数据基础的不良后果。结合干部的单位、年龄等信息,重点介绍了维层次和维类别的设计方法;采用SSIS工具,定制数据的抽取转换策略,实现了数据的抽取转换和加载;采用SQL SERVER 2005提供的数据仓库分析引擎,对确定的干部信息主题建立了多维立方体,并通过前端展现工具对多维立方体进行可视化展示,较好地满足了用户的分析需求。本文首次将数据仓库和联机分析处理(OLAP)技术与军队基层干部队伍管理紧密结合,以基层部队现有的业务管理系统和电子报表、档案记载为数据基础,设计了基层干部队伍管理多维分析系统,满足了基层干部队伍管理者决策前的分析需求,从而实现军队基层干部队伍管理的智能化与决策的科学化
吴树勇[7](2009)在《基于数据挖掘的油田工程造价管理系统的设计与实现》文中研究表明近十几年来,随着计算科技的进步,大幅度提高了人们利用信息技术生产和搜集数据的能力,海量的数据库软件被用于商业管理、政府办公、科学研究和工程开发等等领域,这一势头仍将持续发展下去。于是,一个新的挑战被提了出来。在这所谓的信息爆炸的时代,信息过量几乎成为人人需要面对的问题。因此,面对“人们被数据淹没,同时却仍然感到知识饥饿”的挑战,数据挖掘(Data Mining)技术应运而生,并得以蓬勃发展,越来越显示出其强大的生命力。数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。有了这一概念之后,相应的软件实现也孕育而生了,像SQL Server,Oracle等商业软件都先后实现数据挖掘的相关算法。有了数据库的支持剩下的工作就是把它和业务系统实现融合以完成具体的应用系统。本文首先分析辽河油田概预算管理中心的管理现状,找出了现行管理办法的弊端,并和中心的管理层和实际操作人员进行了有效的沟通,最终确定系统的功能需求。然后分析了现阶段的软件结构,发现B/S这种软件实现结构迅速的代替了老式的C/S的软件结构。接着分析了数据挖掘的相关算法、比较了相应数据库软件实现方式、分析了具体业务流程要求及对软件实现的要求、根据相应要求设计软件的系统结构、最后按照要求实现了基于B/S和数据挖掘的油田工程造价管理系统。
张艳花[8](2006)在《济钢煤气计量数据挖掘系统》文中认为近年来,数据挖掘已逐渐成为IT产业界的研究热点。数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的应用数据中,提取隐含在其中的人们事先未知的但潜在有用的知识的过程。目前,数据挖掘应用主要集中在数据仓库和人工智能方面。济钢计量过程中产生了丰富的计量数据资源,这些数据资源为数据挖掘的应用提供了广阔的空间。通过一定的算法实现对煤气计量数据的处理、分析,从中发现隐含的有用的信息,为面向计量业务主题的经营决策提供支持。 本文结合济钢煤气计量数据分析业务,阐述了知识发现与数据挖掘的基础理论,介绍了济钢煤气计量数据挖掘系统的设计方案、算法选择及应用情况,工作内容主要集中在如下几方面: ① 详细阐述了与数据挖掘理论的产生背景、相关技术和实现算法,并对其未来发展方向及应用热点进行了描述。 ② 介绍了数据仓库技术,并在此理论基础上对构建面向煤气计量业务主题的数据集市过程进行阐述,主要涉及确定数据源、构建数据模型、选择发现结果的展现形式等。 ③ 系统研究了煤气计量数据挖掘过程中应用的主要算法,有统计分析、关联规则、回归分析和聚类算法等,并结合实例详细说明。 ④ 详细描述了煤气计量数据挖掘系统的设计方案、各主要模块实现的功能及实现流程,并对部分挖掘结果进行了展示。
沈建宇[9](2005)在《中等职业学校数据仓库的构建与应用》文中指出目前,职业学校的规模越来越大,竞争也越来越激烈,绝大多数学校安装了校园网,也使用了一些管理系统,随着学校计算机应用的不断深入,学校已经积累了大量的业务数据,学校管理者希望能够快速、方便地从这些大量杂乱无章的数据中获取有意义的信息,来指导学校的决策和发掘学校自身的竞争优势,但这在原有的业务处理系统中是很难实现的。数据仓库DW(data warehouse)技术是近年来出现并迅速发展的一种技术,它以改进后的数据库技术作为存储数据和管理资源的基本手段,用统计分析技术和数据挖掘技术来发现数据背后的规律,数据仓库技术在职业学校中应用,不仅可以帮助学校充分利用已存储的数据,而且可以帮助学校管理者进行科学决策。本文分析了职业学校的基本情况,从数据仓库的系统结构,学生数据仓库的模型设计,数据的装载、数据的前端展示、学生情况分析OLAP模型构建、职业学生数据挖掘,给出了在中等职业学校构建学生数据仓库的方法和应用的前景。
王新[10](2004)在《比赛成绩数据仓库维度建模研究》文中认为采用Sybase公司PowerDesigner 9建模工具 ,在实际操作的基础上 ,对比赛成绩数据仓库维度建模进行探讨 ,并对解决关键环节问题的技巧进行剖析 ,建立了比赛成绩数据仓库概念模型。
二、比赛成绩数据仓库维度建模研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、比赛成绩数据仓库维度建模研究(论文提纲范文)
(1)基于数据分析的高校教学管理决策支持方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
第1章 绪论 |
1.1 论文研究背景及意义 |
1.1.1 课题来源 |
1.1.2 研究目的及意义 |
1.2 相关领域研究现状 |
1.2.1 教育数据可视分析研究现状 |
1.2.2 教育数据挖掘研究现状 |
1.3 论文研究内容及组织结构 |
1.3.1 论文主要研究内容 |
1.3.2 论文组织结构 |
1.4 本章小结 |
第2章 学生成绩及就业数据仓库的构建 |
2.1 成绩分析及就业指导的需求分析 |
2.1.1 成绩分析的需求分析 |
2.1.2 就业指导的需求分析 |
2.2 学生成绩及就业数据仓库模型设计 |
2.2.1 数据仓库概念模型设计 |
2.2.2 数据仓库逻辑模型设计 |
2.2.3 数据仓库物理模型设计 |
2.3 学生成绩及就业数据仓库的ETL过程 |
2.3.1 数据抽取 |
2.3.2 数据清洗和转换 |
2.3.3 数据加载 |
2.4 本章小结 |
第3章 基于可视化的学生成绩及就业数据分析 |
3.1 数据分析及可视化概述 |
3.2 基于可视化的学生成绩影响因素分析 |
3.2.1 学生成绩影响因素统计分析 |
3.2.2 基于可视化的成绩分析结果查询 |
3.3 基于可视化的毕业生就业数据分析 |
3.3.1 学生就业数据准备 |
3.3.2 学生就业数据可视化图表选择 |
3.3.3 基于可视化的就业信息查询 |
3.4 本章小结 |
第4章 基于数据挖掘的教学管理决策支持技术 |
4.1 基于Apriori算法的课程关联分析 |
4.1.1 课程关联分析过程 |
4.1.2 提供课程关联分析功能的应用形式 |
4.2 基于决策树算法的成绩预警 |
4.2.1 成绩预测模型的建立 |
4.2.2 成绩预测模型的评估 |
4.2.3 提供成绩预警功能的应用形式 |
4.3 基于K-means算法的学生就业指导 |
4.3.1 学生在校表现与就业情况相关性分析 |
4.3.2 基于K-means算法的学生聚类分析 |
4.3.3 提供择业参考功能的应用形式 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 工作总结 |
5.2 研究展望 |
参考文献 |
(2)基于校园卡数据的学生行为分析研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究现状 |
1.2.1 学生行为分析研究现状 |
1.2.2 相关挖掘算法研究现状 |
1.3 研究目的 |
1.4 本文主要研究内容 |
1.5 本文研究结构 |
第二章 相关理论与技术 |
2.1 数据挖掘概述 |
2.1.1 数据挖掘的概念 |
2.1.2 数据挖掘的过程 |
2.2 数据挖掘相关技术 |
2.3 数据挖掘方法 |
2.4 数据分析常用工具 |
第三章 学生行为数据处理方法研究 |
3.1 数据表分析 |
3.2 数据预处理简介 |
3.3 数据预处理方法 |
3.4 学生行为数据预处理 |
第四章 基于聚类分析的学生行为分类方法研究 |
4.1 学生行为分类需求 |
4.2 学生画像的构建与研究 |
4.2.1 基于大数据的用户画像构建 |
4.2.2 基于校园大数据的学生画像构建 |
4.3 K-means算法 |
4.4 聚类的实验结果与分析 |
4.4.1 消费规律聚类结果 |
4.4.2 生活规律聚类结果 |
4.4.3 学习努力程度聚类结果 |
4.5 学生画像举例说明 |
第五章 关联规则分析在学生行为分析中的应用 |
5.1 关联规则算法研究 |
5.1.1 基本概念和步骤 |
5.1.2 Apriori算法 |
5.2 改进的关联规则挖掘算法 |
5.2.1 改进的Apriori算法思想 |
5.2.2 改进的Apriori算法方法 |
5.2.3 改进算法实例说明 |
5.2.4 实验分析与结果展示 |
5.3 改进的Apriori算法在学生行为分析中的应用 |
5.3.1 数据准备 |
5.3.2 成绩与行为数据关联结果分析 |
第六章 总结与展望 |
6.1 总结 |
6.1.1 工作总结 |
6.1.2 研究结果总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(3)基于数据挖掘技术的P2P借贷违约风险识别模型研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
第一节 研究背景与研究意义 |
一、研究背景 |
二、研究意义 |
第二节 研究思路与研究内容 |
一、研究思路 |
二、研究内容 |
三、基本框架 |
第三节 国内外研究综述 |
一、数据挖掘的概念和行业应用 |
二、传统金融领域的信用评估和违约识别方法 |
三、互联网金融领域的P2P借贷违约识别方法 |
四、对已有研究的评价 |
第四节 可能的创新点与不足之处 |
一、可能的创新点 |
二、不足之处 |
第二章 P2P借贷违约风险与数据挖掘技术相关理论分析 |
第一节 P2P借贷违约风险相关理论分析 |
一、P2P借款业务及对借款人信用的考察维度 |
二、P2P借款违约风险与特征分析 |
三、P2P借款违约风险的影响因素分析 |
第二节 数据挖掘理论模型 |
一、逻辑回归、神经网络及其特点 |
二、支持向量机(SVM)模型及其特点 |
三、决策树类算法及其特点 |
四、本文对数据挖据模型的选择和应用 |
第三章 P2P借贷行为数据集采集与预处理 |
第一节 数据集概况与分割 |
一、数据集来源 |
二、数据集概况 |
三、数据集的分割 |
第二节 P2P借货行为数据清洗 |
一、对缺失值的处理 |
二、对近零方差字段的剔除 |
三、对字段的转换 |
第三节 P2P借贷行为特征工程 |
一、缺失值的数量和违约率 |
二、地域信息 |
三、第三方信息 |
四、用户登录信息 |
五、用户对个人信息的修改 |
六、对特征的进一步处理 |
第四章 基于数据挖掘技术的P2P借贷违约风险模型训练与优化 |
第一节 不平衡数据集的处理与评估指标说明 |
一、对不平衡数据集的处理方法 |
二、评估指标说明 |
第二节 基于单一模型的P2P借贷违约预测与效果 |
一、逻辑回归模型和神经网络模型的预测效果 |
二、支持向量机模型(SVM)的预测效果 |
三、决策树类算法的预测效果 |
第三节 基于Stacking集成学习的P2P借贷违约预测与效果 |
一、Stacking集成学习方法 |
二、基于Stacking模型融合方法的P2P借贷违约预测与效果 |
第四节 Stacking集成学习方法的最终评价 |
一、基于ROC曲线和AUC值的最终评价 |
二、基于KS曲线和KS值的最终评价 |
第五章 研究结论与研究启示 |
第一节 研究结论 |
一、参考多维度数据能够有效辅助P2P借贷违约的识别 |
二、XGBoost等数据挖掘模型在预测中具有较好的性能 |
三、Stacking模型融合方法进一步提高预测效果 |
四、开源的建模工具在P2P借贷违约识别建模中具有优势 |
第二节 研究启示 |
一、对从事P2P借贷业务的平台的启示 |
二、对P2P的投资者的启示 |
三、对P2P借贷行业监管的启示 |
参考文献 |
附录:建模代码 |
致谢 |
(4)基于商业智能的区域公立医院绩效管理系统(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 概述 |
1.2 课题背景 |
1.3 国内外研究现状 |
1.3.1 商业智能技术国内外现状 |
1.3.2 商业智能在医院管理中的应用研究现状 |
1.3.3 绩效管理系统国内外现状 |
1.4 课题研究意义 |
1.5 论文的组织框架 |
第二章 系统设计方案及技术 |
2.1 系统结构及工作原理 |
2.2 系统需求分析 |
2.2.1 业务需求分析 |
2.2.2 性能性需求分析 |
2.2.3 功能性需求分析 |
2.2.4 系统可行性分析 |
2.3 系统的架构设计 |
2.3.1 系统的设计思想 |
2.3.2 C/S架构和B/S架构的特点 |
2.3.3 系统的软件架构 |
2.4 Oracle BIEE平台 |
2.4.1 OBIEE平台的优势 |
2.4.2 OBIEE架构 |
2.5 Web应用子系统相关技术 |
2.5.1 Spring框架 |
2.5.2 Spring MVC框架 |
2.5.3 MyBatis框架 |
2.6 数据库选择 |
2.7 本章小结 |
第三章 区域公立医院绩效管理系统设计 |
3.1 数据库设计 |
3.1.1 数据仓库技术 |
3.1.2 数据库需求分析 |
3.1.3 数据库概念结构设计 |
3.1.4 数据库逻辑结构设计 |
3.1.5 数据库物理结构设计 |
3.2 多维数据模型设计 |
3.2.1 确定主题及概念模型设计 |
3.2.2 物理层设计 |
3.2.3 业务模型和映射层设计 |
3.2.4 表示层设计 |
3.3 系统的功能模块设计 |
3.3.1 系统登录及系统管理 |
3.3.2 数据在线上报 |
3.3.3 字典管理 |
3.3.4 绩效指标体系管理 |
3.3.5 绩效分析 |
3.4 本章小结 |
第四章 商业智能分析子系统的实现与系统测试 |
4.1 商业智能分析子系统实现 |
4.1.1 数据采集与集成 |
4.1.2 绩效指标商业智能分析 |
4.2 系统集成 |
4.3 系统功能性测试及结果分析 |
4.3.1 系统登录及系统管理模块测试 |
4.3.2 数据在线上报模块测试 |
4.3.3 字典管理模块测试 |
4.3.4 绩效指标体系管理模块测试 |
4.3.5 绩效分析模块测试 |
4.4 本章小结 |
总结与展望 |
致谢 |
参考文献 |
个人简历、在学期间的研究成果及发表的学术论文 |
(5)基于中职学生数据的多维分析和职业能力预测方法研究(论文提纲范文)
摘要 |
Abstract |
目录 |
第1章 绪论 |
1.1 研究背景 |
1.2 教育数据挖掘的应用 |
1.3 本文的工作 |
第2章 数据仓库与数据分类技术 |
2.1 数据仓库技术 |
2.2 数据分类技术 |
2.3 本章小结 |
第3章 数据立方的设计 |
3.1 分析的主题 |
3.2 分析的数据 |
3.3 数据仓库设计 |
3.4 数据的 ETL |
3.5 本章小结 |
第4章 数据立方的多维分析 |
4.1 学生流失率立方分析 |
4.2 学生就业率立方分析 |
4.3 学生评价立方分析 |
4.4 本章小结 |
第5章 职业能力预测及方法 |
5.1 研究对象 |
5.2 实验环境 |
5.3 BP 神经网络预测职业能力 |
5.4 ID3 决策树判定职业能力 |
5.5 方法比较 |
5.6 本章小结 |
第6章 总结 |
6.1 本文的工作总结 |
6.2 进一步的研究工作 |
参考文献 |
附录 |
致谢 |
(6)多维分析在军队基层干部队伍管理中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 前言 |
1.1 课题背景 |
1.2 课题的国内外研究现状 |
1.3 论文研究的主要内容 |
1.4 论文的组织结构 |
第二章 数据仓库和OLAP技术概述 |
2.1 数据仓库概述 |
2.1.1 从传统数据库到数据仓库 |
2.1.2 数据仓库概念和特征 |
2.1.3 数据仓库的体系结构 |
2.1.4 数据仓库中的数据组织 |
2.1.5 数据仓库的关键技术 |
2.1.6 数据集市 |
2.2 OLAP技术研究概述 |
2.2.1 OLAP的概念和特征 |
2.2.2 OLAP中的多维概念 |
2.2.3 OLAP中的多维分析 |
2.2.4 OLAP的数据组织方式 |
第三章 军队基层干部管理数据仓库系统的需求分析 |
3.1 军队基层干部队伍管理现状 |
3.2 军队基层干部队伍管理中存在的问题 |
3.2.1 管理方式方法落后,效率比较低 |
3.2.2 队伍结构认识不清,规划不合理 |
3.2.3 考评内容方法单一,效果不理想 |
3.2.4 转业政策不完善,人才流失严重 |
3.2.5 培训形式内容固化,质量效益不高 |
3.3 基层干部队伍管理问题的原因及技术解决途径 |
3.4 选择数据仓库的必要性分析 |
3.5 选择数据仓库的可行性分析 |
3.6 军队基层干部管理多维分析需求 |
3.6.1 专家直观判定法确定问题边界 |
3.6.2 德尔菲法确定相关主题 |
第四章 军队基层干部队伍管理系统多维模型设计 |
4.1 设计理念 |
4.2 系统结构分析 |
4.2.1 系统结构选择 |
4.2.2 多维分析系统设计流程 |
4.3 确定主题 |
4.3.1 原业务系统分析 |
4.3.2 数据仓库的设计目标 |
4.3.3 数据仓库主题的确定 |
4.4 多维分析维度设计 |
4.4.1 维度的选择 |
4.4.2 维表、事实表的选择 |
4.4.3 维表层次及类的划分 |
4.5 数据仓库逻辑模型设计 |
4.5.1 逻辑模型的选择 |
4.5.2 确定数据仓库的粒度 |
4.5.3 数据的分割 |
4.5.4 度量值的选择 |
4.5.5 逻辑模型的建立 |
4.6 多维模型所支持的分析操作 |
4.7 数据仓库物理模型设计 |
第五章 军队基层干部队伍管理多维分析系统的设计与实现 |
5.1 系统设计目标 |
5.2 系统设计原则 |
5.3 系统结构设计 |
5.4 技术环境的选择 |
5.5 数据的ETL操作 |
5.5.1 ETL的概念及过程 |
5.5.2 ETL工具选择——SSIS |
5.5.3 ETL的实现 |
5.6 联机分析工具的设计与实现 |
5.6.1 联机分析工具的系统设计 |
5.6.2 主要技术实现 |
5.7 实例应用分析 |
第六章 总结 |
6.1 主要工作 |
6.2 下一步的打算 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(7)基于数据挖掘的油田工程造价管理系统的设计与实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.1.1 数据挖掘相关技术的产生 |
1.1.2 数据挖掘的任务 |
1.1.3 数据挖掘流程 |
1.2 数据挖掘软件发展概况 |
1.3 现阶段数据挖掘存在的问题 |
1.4 造价管理员系统 |
1.5 本文工作及章节安排 |
1.5.1 本文所做工作 |
1.5.2 章节安排 |
第二章 数据挖掘基础 |
2.1 数据库与数据仓库 |
2.1.1 关系型数据库 |
2.1.2 数据仓库 |
2.2 数据挖掘 |
2.3 数据挖掘与相关技术的集成 |
2.3.1 数据挖掘与传统数据库的集成 |
2.3.2 数据挖掘和数据仓库的集成 |
2.3.3 集成技术之实现 |
2.4 标准化的数据挖掘语言 |
2.4.1 数据挖掘建模语言(PMML) |
2.4.2 数据挖掘通用语言 |
2.5 本章小节 |
第三章 开发工具及相关技术 |
3.1 SQLSERVER 的基本结构 |
3.1.1 Analysis Services 服务端结构 |
3.1.2 Analysis Services 客户端结构 |
3.2.N ET FRAMEWORK 和ASP.NET |
3.2.1 .NET Framework 概述 |
3.2.2 NET Framework 的内容 |
3.2.3 ASP.NET |
3.3 ADO.NET 简介 |
3.3.1 ADO.NET 的基本结构 |
3.3.2 ADO.NET 的目标 |
3.4 本章小结 |
第四章 系统总体分析设计与实现 |
4.1 辽河油田钻井工程造价管理系统分析 |
4.1.1 可行性分析 |
4.2 系统需求分析 |
4.2.1 总体问题描述 |
4.2.2 组织机构和功能分析 |
4.3 辽河油田数据仓库的建立 |
4.3.1 辽河油田数据仓库结构设计 |
4.3.2 数据仓库模型设计 |
4.3.3 数据仓库物理模型 |
4.4 基于SQLSERVER 分析服务的数据挖掘方案 |
4.4.1 系统结构及实现 |
4.4.2 组织数据挖掘源数据 |
4.4.3 建立数据立方体 |
4.4.4 构建、训练数据挖掘模型 |
4.4.5 利用数据挖掘模型进行预测查询 |
4.5 多页面提交设计实现 |
4.6 报表设计 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
(8)济钢煤气计量数据挖掘系统(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景 |
1.2 课题研究的目的 |
1.3 课题研究的流程 |
第二章 知识发现与数据挖掘 |
2.1知识发现(KDD)概述 |
2.2 知识发现(KDD)过程 |
2.3 数据挖掘概述 |
2.3.1 数据挖掘技术的现状 |
2.3.2 数据挖掘常用技术 |
2.3.3 数据挖掘的质量保证 |
2.3.4 数据挖掘技术的典型应用 |
2.3.5 数据挖掘的发展方向及应用热点 |
第三章 构建煤气专题数据集市 |
3.1 数据仓库与数据集市 |
3.2 数据源 |
3.3 数据集成 |
3.4 数据分析与展示 |
3.4.1 描述式数据分析与展示 |
3.4.2 预测式数据分析与展示 |
3.5 煤气计量数据的收集 |
3.6 建立煤气专题数据集市 |
3.6.1 基本概念 |
3.6.2 数据模型 |
3.6.3 煤气消耗事实表的维度建模 |
3.6.4 煤气仪表运行事实表的维度建模 |
3.6.5 建立煤气数据挖掘集市 |
第四章 煤气计量数据挖掘算法的研究 |
4.1 数据挖掘工具的选择 |
4.1.1 SPSS数据挖掘工具 |
4.1.2 SAS数据挖掘工具 |
4.1.3 DBMiner |
4.1.4 本文选择的数据挖掘工具 |
4.2 χ~2依赖性检验 |
4.3 聚类算法 |
4.3.1 聚类算法的基本原理 |
4.3.2 k-means算法 |
4.4 关联规则 |
4.4.1 关联规则的基本原理 |
4.4.2 Apriori算法 |
4.5 回归分析 |
第五章 济钢煤气计量数据挖掘系统 |
5.1 系统实施软硬件环境 |
5.2 系统设计框架图 |
5.3 系统功能模块介绍 |
5.3.1 数据收集与预处理模块 |
5.3.2 仪表计量值分析与置信度估计模块 |
5.3.3 煤气系统间接消耗分析模块 |
5.3.4煤气系统平衡预测及仿真模块 |
5.3.5 煤气系统平衡影响要因分析模块 |
5.3.6 煤气系统优化及经济效益估算模块 |
5.4 数据挖掘结果展示与评价 |
参考文献 |
致谢 |
(9)中等职业学校数据仓库的构建与应用(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 课题背景 |
1.2 国内外的数据仓库应用情况 |
1.3 论文主要工作 |
第二章 数据仓库系统综述 |
2.1 数据仓库的概念与特征 |
2.2 数据仓库结构 |
2.3 多维数据模型 |
2.4 数据仓库开发方法 |
2.5 数据仓库产品介绍 |
第三章 中等职业学校数据仓库的构建 |
3.1 数据仓库的构建过程 |
3.2 中等职业学校需求分析 |
3.3 学生数据仓库模型设计 |
3.4 学生数据仓库ETL 过程 |
3.5 利用DTS实现数据转换 |
第四章 数据挖掘 |
4.1 数据挖掘概念 |
4.2 数据挖掘与数据仓库关系 |
4.3 常用的数据挖掘技术 |
4.4 学生数据仓库数据挖掘过程 |
第五章 学生数据仓库的应用 |
5.1 实现各种类型的统计和查询分析 |
5.2 分析影响学生成绩的各种因素 |
5.3 孤立点分析在学生数据仓库中的应用 |
5.4 学生各种因素相关性分析 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 需进一步研究和实践的问题 |
参考文献 |
致谢 |
硕士研究生期间发表的论文清单 |
(10)比赛成绩数据仓库维度建模研究(论文提纲范文)
1 前言 |
2 问题的提出和研究方法 |
3 维度分析和解决关键环节的技巧 |
3.1 日期维度 |
3.2 运动员维度 |
3.3 运动会维度 |
3.4 比赛项目维度 |
3.5 比赛成绩维度 |
3.6 比赛事实 |
3.7 运动项目维度 |
3.8 技巧与经验 |
4 结论 |
四、比赛成绩数据仓库维度建模研究(论文参考文献)
- [1]基于数据分析的高校教学管理决策支持方法研究[D]. 刘娜. 浙江大学, 2019(05)
- [2]基于校园卡数据的学生行为分析研究[D]. 徐晶晶. 河南师范大学, 2018(01)
- [3]基于数据挖掘技术的P2P借贷违约风险识别模型研究[D]. 王嘉琪. 浙江工商大学, 2018(06)
- [4]基于商业智能的区域公立医院绩效管理系统[D]. 朱福英. 福州大学, 2017(04)
- [5]基于中职学生数据的多维分析和职业能力预测方法研究[D]. 杜典熠. 中山大学, 2012(09)
- [6]多维分析在军队基层干部队伍管理中的应用研究[D]. 冯兴超. 国防科学技术大学, 2011(07)
- [7]基于数据挖掘的油田工程造价管理系统的设计与实现[D]. 吴树勇. 电子科技大学, 2009(03)
- [8]济钢煤气计量数据挖掘系统[D]. 张艳花. 山东大学, 2006(12)
- [9]中等职业学校数据仓库的构建与应用[D]. 沈建宇. 东南大学, 2005(01)
- [10]比赛成绩数据仓库维度建模研究[J]. 王新. 体育科技, 2004(04)