Theta 智能预报信息系统
说明：文章内容仅供预览，部分内容可能不全。下载后的文档，内容与下面显示的完全一致。下载之前请确认下面内容是否您想要的，是否完整无缺。
Theta 智能预报信息系统 1.介绍 有效地集成决定和知识代表性的任务的需要和建立专家的思想模型的推理程序已经促使了最近集成决策支持系统（DSS）与知识为基础的专家系统的研究工作。 各种形式的集成已被证明，各种系统架构也已被提出。此外，基于现有信息系统类型的粗分类法，Mentazas(1994a)定义了职能决策支持的一些必要特点。其中，编译，推理和学习的问题对加强公司决策中的关键任务因素起着最重要的作用;例如，Mentazas(1994a)解释生产管理环境中的这些特征。 商业预测属于公司用户能从有智能特征的集成决策支持中获得关键优势的领域。Assimakopoulos and Konida, (1992), 基于在复杂决策的预测过程中，系统能帮助管理者鉴别可用数据和科技资源，让他们能使用领域知识和预测技术，提出预测在知识型技术的发展中具有巨大的潜力。 另一方面， 虽然预测从业者在选择合适的模型设定时能依赖现有的软件，仍然有很多地方需要他们自己的策略，技术和判断。 如果可用的计算机系统能在以下方面提供智能协助，预测家的工作能提高很多： 建立一个系统的预测过程; 综合过往事件及其产生的建立模式或关系的改变的结果 过滤各种异常的历史数据 用历史经验和类似的案例判断性地调整预测 这份报告展示了一个基于电脑的满足以上条件的系统结构，theta智能预报信息系统，还有传统的决策支持系统的成分（比如数据库，对话管理）。这个结构包括四个专家要素：一个过程专家，一个数据专家，一个判断专家和开发Assimakopulos and Nikolopoulos(1999, 2000)展示的theta模型的Theta专家， 这个模型在M3竞赛中表现突出。 这份报告结构如下。下一章简要介绍了预测的管理意涵，展示一个扩展的商业预测软件。第4章中有对推荐的系统的具体讨论。第5章是对这个系统的评估。最后一章概述了现阶段的工作结论和未来研究的方向。 2. 预测：工业化和管理意涵 预测是改善各种工业化和管理运营表现的关键因素；由于它能够辅助确定资源的有效使用，对企业来说是很重要的。如今，企业都需要新的预测程序让它们能更加准确得预测。较差的预测会造成低效的资金管理。特别地，使用一个新的表更准确的预测方法带来的机遇很多，足够提高企业的功能性。 更有效的仓库管理，更 对企业月销售更准确的预测能保证更好的股票政策，合理得将产品配送到企业的分支，最终最小化企业满足市场需求的风险。计划订购需要精确才能减小总销售额的下降; 准确的订购预测保证了现金管理和现金流的最优化。最后更好的销售预测能优化企业与其客户间的汇兑政策。 显然管理者在了解预测的局限性时能改善资源规划。根据Wacker et al.(2000), 这些局限体现在几个管理者应该认识到的战略预测悖论。Wacker et al.(2000)提出的悖论如下： 一个公司作出的最重要的管理决策基于最不准确的预测； 对资源配置最有用的预测信息是最不准确的； 需要最准确预测的机构有最在的预测错误。 认识到这些悖论后管理者就能将他们的注意力放在改善预测的使用和执行上来得到更明智的资源决策。 有很多预测模型和软件供管理者选择而且技术的选择需要考虑很多。如果管理者相信公司的未来可以预测或者相当可以预测，那么统计预测就是个好工具。另一方面，如果一家公司面临一个非常混乱难以预测的局面，那么尝试用统计技术来预测未来就没什么意义（Lines, 1996）. 3. 商业预测软件 商业观测软件可以分为七个各类（Nikolopoulos, 2002）： 1 商务事业预测套装 现在市面上有缤纷多样的专业商业预测套装。不同价格具有不同的功能（150 – 150，000美元）。近来的一些调查对这种软件褒贬不一（Yurkiewicz,2000；Kusters and Bell, 1999）. 根据Yurkiewicz的研究以下几种最受欢迎（按字母顺序）：保险精算预测，机动箱子，B345 ProSeries计量经济学系统，决策Pro, 决策时刻与假设，预测Pro, Eviews 4, Forecast Pro unlimited, Forecast PROXE, ForecastX Engine, ForecastX Wizard,Fygir Demand Planning etc. 2. 统计套装 统计套装常常用到商业预测中。其中最受欢迎的是以下四个：Minitab，SAS，SPSS，S-Plus(Makridakis et. al., 1988, pp. 578-9). 3. 电子表格 电子表格（Microsoft Excel, Lotus 123, Quatro Pro）在简单的商业预测操作中被广泛使用。这个种类的优势在于低成本和使用者的熟悉度。 4. 数学套装 数学软件（Matlab, MathCad, Mathematica）也被用在简单的商业预测操作中，但使用者要具备高水平的预测和数学技能。 5. 企业资源计划 企业资源计划系统（SAP, Oracle, Baan, e.t.a.）在过去十年中渗透到了商业预测模型中。这种类型最大的不足是对小企业来说过高的费用。 6. 学术预测信息系统 五种学术预测是国际文献最推崇的：Flores/Pearce()Flores and Pearce, 2000; Vokurka et al., 1996),RBF,AAM,ARARMA. 这些系统都参加了M3竞赛并创造了突出的结果。 7. 电子预测 我们定义电子预测为通过网络远距离预测的能力。电子预测是最有前景的商业预测系统。一个调查显示电子预测领域的研究还很少，网络上的预测服务也不多。这个调查是基于用户想要并需要在网络上获得数据预测仅使用浏览器的假设。 在这项调查中，已有的网站被分为五种： 1 在线预测服务； 2 预测软件套装； 3 本地预测服务； 4 通过具体数据预测的网站； 5通过具体数据预报的网站； 采用现有的商业预测软件最大的缺点有以下几个： 大多数商业预测软件仅指出很少的统计套装，离管理者和市场专员需要的逻辑还差很远。 大多数商业预测软件需要用户具有高水平的预测和计算功底。 只有一部分是全自动的或者有专家模式（根据具体时间和相关知识自动传送预报的模式）。 最先进的系统非常昂贵。 只有很少的一部分系统提供教唆审慎的调整或多样的场景。 4. TIFIS: theta智能预报信息系统 这一章提出TIFIS，一种成功克服了前面几章中提到的大多数缺点的预报信息系统。 4.1 架构 基于一个Assimakopoulos and Mentzas(1994)以前描述的架构和Armstrong(2001)在他最近的精彩著作《预测学原理》中采用的预测程序，我们打算在theta智能预报信息系统中使用潜在的基于知识的技术的和开发theta模型的架构。系统的知识基础部分整合的是关于程序的知识而不是领域的专业知识。 除了传统决策支持系统（如数据库管理系统和对话管理系统（用户界面））的组部分，提出的架构还包括另外四个部分（图一）：过程，数据，theta和储存数量各判断数据的判断基础。 架构的核心是过程专家，描述整个问题并控制其他专家模型。换句话说，过程专家是对整个系统状况了如指掌的部分，包括了解决问题的计划。数据专家能直接进入数据库管理系统并通过提供交互搜索方法加强其性能。 图一：theta智能预报信息系统, 专家成分 用户界面 Theta 专家 数据专家 过程专家 数据管理系统 判断专家 判断基础管理系统 数据库 判断基础 现有的很大程度上解决问题的基本步骤是通过之前定义的“存储”在过程专家的推理机的算术过程。专家的组成部分功能如下： 1. 过程专家： 维护解决问题的计划; 控制其他成分。 2. 数据专家： 执行数据操作，对预测过程至关重要； 控制数据管理系统。 3. Theta专家： 优化Theta模型； 进行经典的预测计算。 4. 判断专家： 提供判断调整技术； 控制判断基础管理系统。 4.2提出系统的创新角度 theta智能预报信息系统是一个全自动的以管理为导向的系统。采用的解决问题的计划提供了很多基本优势，使theta智能预报信息系统相对来说在竞争中很有吸引力。具体是： 自动化。全自动的模拟预测过程（就像专家在预测一样） 对时间序列反常，如异常值，位移，基本趋势变化， 自动规范化的调整。反常的最近一次观察的定义和修复的自动规范化的调整。最终得出过滤的时间序列而且推断模型会更易符合历史数据。 Theta模型。theta智能预报信息系统开发theta模型的预测机，是M3竞赛中表现最好的之一。theta模型是由Assimakopoulos和Nikolopoulos(1999, 2000)提出的并且在月周期和微观数据中表现尤其突出。 教唆判断调整。theta智能预报信息系统提供判断调整过程的框架，帮助用户在预测中恰当使用自身的领域知识。 4.3 问题解决计划 问题解决计划在图2中具体表现。图2中的步骤中下一章中分析。 图2中第5步，“数据判断调整：去除判断实例的影响”在图3中进一步解释。 图2中第13步，“预报判断调整：自动的或用户定义的对预料的判断事件的附加调整” 在图4中进一步解释。 4.4 预测过程的步骤 预测过程的步骤的分析如下（括号中是专家模型负责执行的每一步） 1 选择或增加时间序列（过程专家）。用户选择一个时间序列（分批预测）或增加一组时间序列建立一个新的。新增的信息存储在数据库中以备将来使用。 2 从数据库中恢复数据（数据专家）。选择的时间序列的数据被恢复。必要时，数据专家添加数据。 3 处理丢失的观察值（数据专家）。数据专家负责处理丢失的观察值。专家或者忽略丢失的值（如假定需求为零）或者填补回归线的值。 4 计算基本统计指数（数据专家）。数据专家计算选择的时间序列如平均值，标准差，自相关等的所有的基本统计指数。 5 数据判断调整：去除判断实例的影响（判断专家）。用户与学习专家互动联系之前的Lee和Yum(1998)描述的判断调整过程的步骤： 定义判断因素和建立判断因素基础。 确定历史判断数据并建立判断事件基础。 将判断时间分成阶段性的判断事件并建立每阶段的判断事件基础。 去除时间序列的历史数据中判断事件的影响并建立过滤后的时间序列数据。 本文来源：https://www.wddqw.com/doc/f0fb44247fd184254b35eefdc8d376eeafaa1747.html