论文摘要
市场经济使得现代企业之间的竞争日趋激烈,各企业为争夺生存和发展的空间,想尽一切办法获取大量战略信息来调整企业决策以适应市场的发展。但是企业也处于一种矛盾的状态:企业在积累的大量实时数据的同时,却仍然觉得缺少信息,其实真正缺少的是能够对企业决策提供支持的信息。咎其根本是企业对累积的海量的数据的利用程序不够,没有对其进行深层次综合分析利。企业现存管理系统自身缺乏挖掘数据背后隐藏知识的功能,传统的数据分析方法（如查询、报表）已无法有效从海量数据中获取有用信息或知识。为了深层利用企业累积的成本信息以及满足企业获得战略信息,达到控制成本、提高利润,预测及决策支持等要求,本研究利用某采油厂原有积累的大量成本相关数据,应用数据仓库、联机分析处理和数据挖掘等技术,发掘现存成本相关数据的更深层次的关系,使成本相关数据也因此可以变为成本决策信息。针对油田成本的现状,本文建立了以数据仓库为基础的油田成本决策支持系统,决策支持从以下三个方面来体现:一是OLAP在线分析处理数据仓库中的数据;二是通过预测模型实现对不同指标的预测;三是通过关联挖掘模型挖掘油田成本及和成本相关的信息之间的隐藏的知识。文中重点对后两点作了详细的论述和比较。（1）通过OLAP对数据仓库中的数据从不同角度和不同的层次给予分析展示。（2）在单个预测模型的基础上提出多元回归-灰色预测的组合预测模型。利用了多元回归的多元性和灰色预测对时间序列预测的准确性组合成新的预测模型。多元回归采用逐步回归的方法来实现;灰色预测使用G（1,1）模型,而组合权重为了避免大值越大,小值更小的边缘现象出现,本文采用均方差倒数加权策略。（3）提出基于自组织神经网络的关联规则挖掘模型,在此模型的基础上对油田成本进行挖掘。先经过自组织神经网络进行有监督和无监督相合的分类,然后在分别在各个类别的基础上再进行关联挖掘,这样挖掘的结果相对于一个样本挖掘结果来说更具有针对性。