【文章內(nèi)容簡介】 模型自動引導(dǎo)的作用。在這里采用的技術(shù)是包括推理規(guī)則知識庫和模型設(shè)定知識庫的常用模型自動引導(dǎo)方法。它的原理主要是先將決策問題映射到模型的各主要特征集合上，然后再由模型的特征集合映射到各模型集合上。主要包括推理規(guī)則知識庫和模型設(shè)定知識庫。推理規(guī)則知識庫：此知識庫中以“ifthen”的形式存放著用戶的決策問題與模型的各主要特征間的相關(guān)性和對各主要特征的支持度。這些知識可以是由領(lǐng)域?qū)＜?、知識工程師、系統(tǒng)用戶提供；也可以是數(shù)據(jù)挖掘工作自動產(chǎn)生。構(gòu)建推理規(guī)則知識庫的復(fù)雜性在于用戶的決策意向問題往往是多個原子條件的邏輯組合，所以在規(guī)則設(shè)定中采用了“多重與邏輯表”和“相關(guān)聯(lián)度函數(shù)表”這兩個概念。例如，上述問題可以用推理規(guī)則知識庫中的規(guī)則表示如下：IF（（用戶）有“考慮地區(qū)”（）、“考慮客戶大小”（）、“考慮客戶信用”（））的客戶分析問題，THEN（（問題與下列特征關(guān)聯(lián)）“調(diào)整價格”、“調(diào)整進(jìn)貨量”、“調(diào)整售出量”、“改善服務(wù)”、“發(fā)出工作票”、“時間”，多重與邏輯表，相關(guān)度函數(shù)表）其中多重與邏輯表和相關(guān)聯(lián)度函數(shù)表為表22所示。表22 “多重與”邏輯和相關(guān)聯(lián)度函數(shù)與 關(guān)聯(lián)度調(diào)整價格調(diào)整進(jìn)貨量調(diào)整售出量改善服務(wù)發(fā)出工作票時間考慮地區(qū)客戶大小客戶信用模型設(shè)定知識庫：此知識庫中存放的是各主要特征與相關(guān)模型之間的關(guān)聯(lián)度。模型庫主要由多目標(biāo)規(guī)劃問題模型、預(yù)測分析過程模型和其他模型組成。例如，上述問題在模型設(shè)定知識庫中的規(guī)則可以表示為表23所示。表23 規(guī)則中相關(guān)度表調(diào)整價格調(diào)整進(jìn)貨量調(diào)整售出量改善服務(wù)發(fā)出工作票時間多目標(biāo)規(guī)劃模型預(yù)測分析模型00這里，為了解決多種條件的邏輯組合問題，需要設(shè)定用戶的意向描述與模型庫的相關(guān)強度。如公式21所示： （21）其中為某一決策意向與模型i的相關(guān)度；為用戶自己設(shè)定的各原子條件在決策意向中所占的比重（即主觀因素因子）；為各原子條件與模型主要特征的相關(guān)程度；為模型主要特征與模型的相關(guān)程度。依照此公式可以計算得出決策意向與各模型的相關(guān)程度，然后可按與決策意向相關(guān)強度最大的模型進(jìn)行決策。例如，上述問題采用公式計算后，；從中可以得到這個客戶分析問題應(yīng)采用預(yù)測分析過程模型進(jìn)行處理。由上即可完成了模型的自動導(dǎo)引。推理機（控制模塊）：其作用事按照用戶的不同選擇，調(diào)用不同的知識庫進(jìn)行相關(guān)問題的識別和決策支持。當(dāng)用戶進(jìn)入問題生成系統(tǒng)后，推理機首先調(diào)用情景設(shè)定知識庫，這樣用戶就可以在意向查詢的交互式界面上，通過上卷和下鉆操作，對自己的決策意向進(jìn)行細(xì)化，最終產(chǎn)生一個明確的決策問題。當(dāng)用戶對意向的表述結(jié)果比較滿意的時候，推理機再調(diào)用情景分析知識對用戶的決策意向進(jìn)行處理，并得到與決策意向相關(guān)程度最大的過程模型，供給問題解決子系統(tǒng)使用。經(jīng)過上述處理后，下面的要求就是對決策問題的求解過程提供有效的決策支持手段，因為對這個問題提供有力支持一直是服裝營銷系統(tǒng)應(yīng)用研究中的一個重點，已有許多相關(guān)領(lǐng)域的研究成果，這里就不再贅述。總之，服裝營銷管理系統(tǒng)的設(shè)計不但要充分利用各種信息，實現(xiàn)復(fù)雜化的查詢和報表功能；而且應(yīng)該利用現(xiàn)有技術(shù)，實現(xiàn)對服裝營銷全過程的合理化管理：即以用戶為中心，真正想用戶所想，提供給其一個完善的預(yù)測分析和決策支持功能。當(dāng)然以上提出的只是一個框架，下一章將對用于數(shù)據(jù)挖掘分析的模型庫進(jìn)行分析，并建立一個預(yù)測服裝銷售量的模型。 本章小結(jié)針對服裝分銷所面臨的環(huán)境復(fù)雜多變的特點，本章主要介紹了意向決策支持技術(shù)在服裝銷售決策支持系統(tǒng)中的應(yīng)用，主要完成了以下工作。簡單地介紹了意向決策支持技術(shù)，并且重點闡述了該技術(shù)在服裝營銷系統(tǒng)中所能發(fā)揮的作用。具體介紹了具有意向決策支持功能的服裝營銷系統(tǒng)的工作原理，重點分析了問題生成子系統(tǒng)原理，并設(shè)計了問題生成子系統(tǒng)、構(gòu)建了相關(guān)知識庫。第3章 基于智能技術(shù)的服裝銷售模型的建立在上一章所提出的具有意向決策支持功能的系統(tǒng)中，一個重要的方面就是模型的建立和選取，有了各種適宜的模型，才能構(gòu)成模型庫，并最終完成本文所提出的整個意向決策支持功能。本章以一個具體問題為例，建立了一個基于智能技術(shù)的數(shù)據(jù)倉庫挖掘模型。在服裝營銷決策中，運營成本是決策所需要考慮的重要方面，同時也是決策管理者最為關(guān)心的一個問題，而與運營成本相關(guān)的最主要因素是服裝的銷售情況。這是因為服裝分銷在整個服裝行業(yè)中處于一個中間位置，負(fù)責(zé)服裝生產(chǎn)企業(yè)和服裝零售商之間的連接，因而服裝的銷售情況直接關(guān)系到整個服裝行業(yè)的運營情況。服裝銷量預(yù)測就是這樣一種對未來需求量的預(yù)測，它是服裝營銷工作中重要的一環(huán)。若能夠以前幾個月的服裝銷售量預(yù)測出下一個月的銷售量，并以此為依據(jù)購進(jìn)服裝，這樣既可以避免由于估計過量而導(dǎo)致?lián)p失，又可以避免由于預(yù)測不足而導(dǎo)致的利潤減少、客戶丟失等。為了完成這一目的，必須對現(xiàn)有的數(shù)據(jù)倉庫中的服裝營銷數(shù)據(jù)進(jìn)行分析，從中發(fā)現(xiàn)并提取出隱含在其中的信息或知識。這個過程就是數(shù)據(jù)挖掘過程，其目標(biāo)是幫助分析人員尋找數(shù)據(jù)之間的聯(lián)系，發(fā)現(xiàn)被忽略的要素，挖掘出對預(yù)測趨勢和決策行為有用的信息。數(shù)據(jù)挖掘一般過程如圖31所示。圖31 數(shù)據(jù)挖掘一般過程從中可以看出數(shù)據(jù)挖掘過程一般包括以下幾個步驟：預(yù)處理數(shù)據(jù)，收集和凈化來自各種數(shù)據(jù)源或數(shù)據(jù)倉庫的信息，并加以存儲，一般是將其放在OLAP數(shù)據(jù)庫中。模型搜索。利用數(shù)據(jù)挖掘工具在數(shù)據(jù)中匹配模型。對于一個問題的搜索過程可能用到許多模型，例如：神經(jīng)網(wǎng)絡(luò)、決策樹等。評價輸出結(jié)果。生成最后的數(shù)據(jù)報告和解釋報告。從中可以看出，在數(shù)據(jù)挖掘過程中，數(shù)學(xué)模型是非常重要的分析數(shù)據(jù)的方法。在Microsoft SQL SERVER 2000提供的分析服務(wù)器（Analysis Servers）工具中，包含了兩種數(shù)據(jù)挖掘模型：決策樹模型和聚類分析模型，利用它們可以對服裝銷售數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)一些規(guī)律性的東西。但是這種結(jié)果往往比較粗糙，精度不高，難以對服裝企業(yè)的營銷工作起到指導(dǎo)作用。本文提出了一種基于智能技術(shù)的數(shù)據(jù)挖掘模型，通過此模型可以得到較為理想的服裝銷售預(yù)測數(shù)據(jù)。 智能技術(shù)概述目前對服裝銷售預(yù)測的專門研究不少，但人們大多采用傳統(tǒng)的方法來進(jìn)行預(yù)測，如時間序列方法、回歸分析方法和模式識別方法，這些方法也都取得了不同程度的成功。但這些方法也都存在著缺陷，時間序列方法不易考慮地區(qū)等因素的影響，回歸分析方法存在著如何確定回歸方程的問題，而模式識別方法只能處理銷售區(qū)域比較小的系統(tǒng)。而人工神精網(wǎng)絡(luò)能夠建立任意非線性的模型，并適用于解決時間序列預(yù)報問題。因此很適合應(yīng)用于服裝銷售系統(tǒng)的預(yù)測中。在服裝銷售預(yù)測中，應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)是多層感知機，并應(yīng)用反向傳播算法（BP算法）進(jìn)行網(wǎng)絡(luò)訓(xùn)練，然而，傳統(tǒng)的BP算法有諸如不易確定隱層神經(jīng)元個數(shù)、容易陷入局部極小點和耗費大量計算機時等缺點，因而不適合實際使用。近年來的RBF（Radial Basis Function，徑向基函數(shù)）網(wǎng)絡(luò)作為另一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以其靈活性強，易于訓(xùn)練，內(nèi)插和外推性能好等優(yōu)點而受到很大關(guān)注。RBF網(wǎng)絡(luò)是一種三層結(jié)構(gòu)網(wǎng)絡(luò)，其隱層的作用在于實現(xiàn)一非線性變換，隱單元（又稱“中心”）數(shù)目在網(wǎng)絡(luò)訓(xùn)練過程中隨問題的復(fù)雜程度和所需精度而動態(tài)調(diào)節(jié)，無需事先盲目確定。這種網(wǎng)絡(luò)模型的訓(xùn)練過程表現(xiàn)為RBF網(wǎng)絡(luò)中心的選擇及隱層與輸出層間權(quán)值的確定。但是，利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時，需要大量的歷史數(shù)據(jù)，在歷史數(shù)據(jù)有限的情況下，往往使預(yù)測精度受到很大影響。為了克服這些缺點，相關(guān)研究表明，將BP神經(jīng)網(wǎng)絡(luò)和模糊控制結(jié)合在一起進(jìn)行模糊預(yù)測，可以得到比較好的結(jié)果。本文利用RBF神經(jīng)網(wǎng)絡(luò)完成對用銷售量的預(yù)測，在預(yù)測過程中，考慮了區(qū)域因素和和重大事件的影響；因為數(shù)據(jù)量的限制，對神經(jīng)網(wǎng)絡(luò)的輸出用模糊調(diào)節(jié)進(jìn)行修正，以便提高預(yù)測精度。 RBF神經(jīng)網(wǎng)絡(luò)的建立服裝銷售量預(yù)測首先要解決的問題是非線性映射的實現(xiàn)，人工神經(jīng)網(wǎng)路在這方面有一定的優(yōu)越性。一般情況下，假定要求學(xué)習(xí)的非線性映射為式31。 （31）公式（31）是在域中聚類子集上的一個多輸入單輸出實連續(xù)函數(shù)，其樣本的數(shù)據(jù)為：上式中，s為樣本數(shù)，而形成了樣本集。圖32 RBF網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖32所示的RBF網(wǎng)絡(luò)，可以用來擬合式（22）所描述的非線性關(guān)系，它實現(xiàn)的映射為式32所示。 （32）式中，為輸入向量，為一給定的非線性變換，表示歐式范數(shù)；為權(quán)值；成為RBF網(wǎng)絡(luò)的中心，表示擬合誤差，非線性變換函數(shù)可選為式33所示。 （33）定義誤差函數(shù)如式34所示。 （34）其中，為樣本的輸出，為網(wǎng)絡(luò)的輸出?？梢宰C明，當(dāng)所選的函數(shù)系線性無關(guān)的時候，可通過增加隱層單元的數(shù)目，達(dá)到不斷提高擬合精度，使小于給定誤差的目的。然而，在實際應(yīng)用中，若m取得太大，就可能造成模型的冗余和數(shù)值病態(tài)的出現(xiàn)，因此必須采取有效的方法進(jìn)行網(wǎng)絡(luò)中心的選擇和網(wǎng)絡(luò)權(quán)值的確定。本文采用正交最小二乘法選取隱含層節(jié)點基函數(shù)的中心。此方法的優(yōu)點是可選出最佳的樣本點作為中心。當(dāng)網(wǎng)絡(luò)輸出權(quán)值訓(xùn)練基函數(shù)的參數(shù)確定后，輸出層的計算非常簡單，對應(yīng)于多輸入但輸出網(wǎng)絡(luò)，用最小二乘法使價值函數(shù)最小即可。購買和銷售是服裝分銷中的一項非常重要的活動，但這個決定常常不是基于數(shù)據(jù)庫中信息豐富的數(shù)據(jù)，而是基于決策者的直覺。這是因為決策者缺乏從海量數(shù)據(jù)中提取有價值知識的工具，因此設(shè)計一個合理的數(shù)據(jù)模型已完成此項工作是十分必要的。 輸入特征量的選取對于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，輸入量的選擇是非常關(guān)鍵的問題，輸入量不能取得太少，否則不能起到區(qū)分判斷的能力；也不能取得太多，否則影響網(wǎng)絡(luò)訓(xùn)練的速度。顯然，當(dāng)月的進(jìn)貨量與以往同類型月的銷售量有著很大的關(guān)系，而這個銷售量又會受季節(jié)、重大事件等因素的影響。如夏冬兩季羽絨服的銷售量會明顯不同；當(dāng)有重大事件，如奧運會、世界杯等時，服裝的款式和顏色都會受到一定的影響。這樣，在選擇樣本時，應(yīng)考慮到如下關(guān)系：首先，預(yù)測月的環(huán)境向量是必不可少的；考慮到服裝銷售量變化應(yīng)該是一個平穩(wěn)的隨機過程，那么用前一兩個月的銷售量可取得較好的平滑作用；某一個月的銷售量同前一至兩個月的銷售量應(yīng)該比較相似；同去年（前年）同一月份的銷售量也應(yīng)該比較相似。綜合考慮上述因素，并結(jié)合服裝銷售的特點，本文選擇神經(jīng)網(wǎng)絡(luò)的輸入如下：預(yù)測月前兩個月的銷售量和對應(yīng)的各月的環(huán)境向量；預(yù)測月前一年的同一月和其兩側(cè)各一個月的銷售量，以及對應(yīng)各月的環(huán)境向量；預(yù)測月前兩年的同一月和兩側(cè)各一個月的銷售量，以及對應(yīng)各月的環(huán)境向量；預(yù)測月的環(huán)境向量。神經(jīng)網(wǎng)絡(luò)的輸出向量為預(yù)測月進(jìn)貨量。由此可建立一個輸入層為17個節(jié)點，輸出層為一個節(jié)點，隱含層個數(shù)待定的神經(jīng)元網(wǎng)絡(luò)，隱含層節(jié)點基函數(shù)采用高斯函數(shù)。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集是從過去兩年的歷史數(shù)據(jù)中選取了典型數(shù)據(jù)組成，由此構(gòu)成了RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練對象。此神經(jīng)網(wǎng)絡(luò)可以擬合如下的非線性關(guān)系：其中，為第i個月的出售量，為第i個月環(huán)境向量。環(huán)境的量化情況（以冬季服裝為例）如下：1月2345678910111211011101 RBF