基于數據倉庫技術的畜禽養殖決策支持系統設計

劉光明+陳長喜

摘要：針對畜禽養殖涉及的因素繁雜，且時空差異和變異性大，疾病頻繁，養殖穩定性和可控程度差，結合畜禽養殖自身特點和養殖管理的實際情況，建立了畜禽健康養殖決策支持系統數據倉庫結構和模型，給出了相關的數據挖掘算法實現步驟。探索該技術在畜禽養殖中的應用，解決一些實際出現的技術問題，實現了畜禽養殖科學化、智能化、健康化的管理標準。

關鍵詞：畜禽養殖；數據倉庫；決策支持；數據挖掘

中圖分類號：TP311；S83 文獻標識碼：A 文章編號：0439-8114（2014）19-4723-04

DOI：10.14088/j.cnki.issn0439-8114.2014.19.057

Design of Livestock Decision Support System Based on Data Warehouse Technology

LIU Guang-minga，CHEN Chang-xib

（a. Network Information Center， b. College of Computer Information and Engineering， Tianjin Agricultural University， Tianjin 300384， China）

Abstract： Considering the complex factors involved in livestock and temporal differences and variability large， frequent illness， the degree of stability and controllability poor farming， combining with the situation of their own characteristics of livestock and aquaculture management， the health decision support system of breeding livestock data warehouse structures and models. The relevant data mining algorithm steps were given. The technology in livestock were established breeding was used to solve some practical problems to achieve management standards of livestock breeding scientific intelligent， health-oriented.

Key words： livestock breeding； data warehouse； decision support； data mining

目前，各類畜禽養殖企業為了經營管理的需要建立了各種類型的信息管理系統，但這些管理系統基本是由一些獨立的、分散不關聯的系統所組成，雖然擁有大量的信息，但由于系統不兼容性和數據屬性的不一致，無法為畜禽養殖決策提供有效的支持。如何整合這些分散、獨立的畜禽養殖企業管理業務操作系統，提出大容量畜禽養殖企業數據管理的有效分析方法，從“數據的海洋”中挖掘潛在的信息，為畜禽養殖企業管理者做出正確有效的判斷與決策提供依據，以提高畜禽養殖企業管理水平與效率，降低管理成本[1]。針對上述問題，遵循畜禽健康養殖的規律，構建了基于數據倉庫技術的畜禽養殖決策支持系統和相應的數據模型，在地區差異性制約和影響程度變異性下，提高了原始數據的提取精度，能夠集成不同輔助信息系統的大量歷史數據，提高了大數據訪問能力。

1 數據倉庫對畜禽養殖決策支持系統的作用

1.1 養殖效益分析

根據數據倉庫中的養殖原始數據、價格和投入量等，運用數理統計模型確定目標函數的具體形式，進行預測趨勢和定量分析。分析并同時找出社會資源需求、自然資源、生態環境、畜禽養殖業與其他行業關系等的數據限制，從而使得模型動態地發生變化。

1.2 養殖因素分析

采用聯機分析處理（OLAP）技術切片、鉆取和旋轉多維數據，深入分析數據倉庫中的數據。把提取的相關信息作為解決問題的基礎，運用數學運算通過三維形式表現出來，解答在一定時間一定范圍內對畜禽養殖影響的問題。

1.3 養殖預測分析

通過數據挖掘技術，找出內在關聯對數據進行邏輯計算，比如有針對性地使用數學模型，根據歷年的市場價格數據隨時間變化的趨勢預測將來的值。

1.4 養殖決策分析

運用時間序列模型、關聯規則挖掘市場價格數據和市場需求量數據，簡單地確定目標函數具體形式，通過可視化的形式表現，預測產品價格和需求量，從而開拓潛在的市場，更好地為決策提供可靠的支持。

2 數據倉庫在決策支持系統中的應用

2.1 系統結構

與傳統數據庫不一樣，數據倉庫[2]包括前端處理、源數據和后端處理三個方面。體系結構見圖1。

后端處理功能是將提取、清除、轉變、運算、匯總后的源數據提供給數據倉庫；前端處理的功能是客戶端可以存儲、提取并對數據倉庫的數據進行分析，運用聯機分析處理生成報表，以直觀方式表現出來，輔助用戶決策操作。數據倉庫是綜合數據的集合，用于支持管理決策信息支持庫[3]。畜禽養殖決策支持系統中數據倉庫系統結構見圖2。

2.2 系統模型

數據倉庫模型都以事實作為中心，主要不同是外圍維度表相互之間的關聯。由于畜禽養殖業的數據量巨大，要想得到約束條件、決策變量和目標函數，必須對其進行詳細的分析處理。

設計選擇星型雪花型模型，好處是建模簡單，方便理解，可從多個維度分析數據。從圖3中可以看出，星型雪花型模型的表構成有維表與事實表兩種，用于查詢的信息放在事實表中，維表可以繼續擴展，成為維表和事實表的雪花型模型。經過分析處理，系統的數據倉庫事實表主要包含養殖基本信息、養殖時間、養殖地區、投入成本、約束條件等。事實表下又含多個維表：①養殖維表，包括養殖種類、價格。可能出現的疾病、飼料等；②時間維表，包括年度、季度、月份等；③地區維表，包括地區名稱、鄉鎮名稱、氣候等；④投入維表，包括水電費、醫藥費、飼料費、養殖機械費用及其他費用等；⑤約束條件維表，包括資源約束、社會需求約束、生態環境約束、行業關系約束等。其中養殖維表、地區維表等還可繼續細分，如疾病維表、環境維表等。

2.3 系統設計

設計采用綜合決策支持系統，是指新舊決策支持系統相結合。用于決策的數據存儲在數據倉庫中，可通過聯機多維數據分析和處理；數據挖掘是尋找數據庫與數據倉庫中的知識；模型庫可組合實現多個輔助決策廣義模型；輔助決策的數據來自數據庫；用戶可以運用專家系統進行推理和分析。這樣形成了綜合決策支持系統，相互作用，各自的優勢能夠很好地輔助決策[4]。系統的結構見圖4。

2.4 數據挖掘算法

大量的集成數據存儲在數據倉庫中，而從這些數據中挖掘有效和有用的信息進行預測與分析需多方面技術的進行協同。數據挖掘需要快速、有效的算法，下面給出一個算法：

1）采用聚類算法歸納整理數據。

2）數據集劃分成樣本集和修正集，樣本集可列出模型的主要參數，修正集用來檢驗和校對模型的主要參數。

3）評價預測結果，同時修改或調整模型的主要參數。

這里給出灰色數列預測模型GM（1，1）[5]，模型是含一個變量的一階微分方程。設原始數列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（進行一次累加生成列，弱化隨機性，強化規律性）

z（t）=■[y（t）+y（t-1）]（生成均值）

■+ay（t）=u[（建立GM（1，1）模型）]

y（t）=[x（1）-■]e-a（t-1）+■（分離型微分方程特解）

■（t）=■（t-1）2334[（原始數列X（t）的估計值（t）數列）]

對數列（t）與X（t）進行擬合效果檢驗，如果兩者擬合精度高，該模型可應用于外推預測；如果兩者擬合精度較低，不可直接應用于外推預測，必須經過殘差修正改進后才能進行外推預測。通過后驗差比值、平均相對誤差和小誤差概率的檢驗，確定數列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對誤差）

ε（t）=x（t）-■（t） （殘差計算）

C=■（驗差比值）

P=P[|ε（t）=x（t）-■（t）|<0.6745 S1]（小誤差概率）

根據精度檢驗等級參照表，得到數列的擬合優度。如果外推預測擬合優度高，預測效果則滿意，可按照下式外推預測：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過灰色數列預測模型GM（1，1）得出的各地區畜禽養殖數量曲線圖。圖5中4條不同形狀的曲線分別表示4段不同的時期，曲線變化表示各個地區養殖數量的同期對比，而數據點在縱軸上的變化情況則可以反映某個地區的養殖數量隨時間的變化情況。圖5中地區和時間的范圍都是可選的，用戶可以通過簡單的點拉操作選取自己想要查看的地區、時期或者其他維度。圖5中的數據還可以通過表格、柱狀圖、餅圖等形式展示，滿足不同用戶的需求。

2.5 數據分析

設計數據分析采用Oracle11i作為目標數據倉庫，運用Oracle與Warehouse Builde 2.1，實現操作型數據庫的ETL（抽取、轉換、裝載）形成數據倉庫。運用Borland Delphi開發前臺，形成具有OLAP分析的功能[6]，決策樹的分類和FP-樹關聯規則的挖掘功能[7]是自主開發的。

1）實現OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件組能夠很好地支持OLAP分析，用戶可運用BDE連接Oracle11i數據倉庫，采用DecisionSource、DecisionCube、DecisionQue控件獲得數據制作形成多維數據立方體，用DecisionGrap、DecisionGrid控件分析并顯示結果，還可使用DecisionPivot控件來對數據進行切片、切塊、上卷和下鉆等。

2）實現數據挖掘。系統的數據挖掘模塊完全是自主開發設計，分類與關聯規則挖掘功能得到基本實現[8]。使用ADO存儲和讀取數據倉庫中的數據，運用C++語言編寫數據挖掘算法得到動態連接庫dll文件。在Delphi前臺界面上，用戶可制定數據挖掘任務，定義能夠完成該任務的數據集，然后通過數據挖掘算法的動態連接庫方法的調用實行處理。現在通過規則的形式（if cl & c2 then r）的使用，給出系統中決策樹分類和關聯規則挖掘的結果[9]。

3 小結與討論

要想建成決策的數據倉庫必須具有巨大的數據量存儲，而且要發揮其強大的作用必須具備高層決策分析工具，所以建設成本普遍較高。在畜禽養殖業中應用還要考慮相關的基礎、社會需求和經濟效益等問題，所以可先在某個特定的區域提取特征參數進行試驗，掌握一定規律量后逐步走向實用。

伴隨著社會的進步和大數據時代的到來，在大量數據中尋找可用的信息用于決策越來越重要[10]。畜禽養殖業類型眾多、復雜，且疾病癥狀不斷變化，具有大量繁雜的數據。傳統的數據庫系統無法解決原始數據精細提取和不同區域影響程度變化等問題。主要表現為過往的數據量龐大，牽扯各種各樣信息系統的數據，而且這樣的數據很難集成，對數據處理和訪問的能力較低[11]。本研究運用數據倉庫技術，根據畜禽養殖相關參數如養殖數量、市場價格及飼料量等，找出相應的數學函數，直觀方式表現出來，為畜禽養殖決策提供技術基礎，同時也為解決上述問題提供了新的思路，從技術上解決了問題。

參考文獻：

[1] 沈春燕，馬 波.數據倉庫在漁業企業管理中的應用研究[J].管理實踐，2007（12）：35-37.

[2] 彭朝海.基于數據倉庫的決策支持系統[J].四川工業學院學報， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數據倉庫中的決策支持[M].北京：北京理工大學出版社，2001.

[4] 張 杰.數據倉庫技術應用研究[J].電子技術與軟件工程，2014（5）：192.

[5] 周學全，張志杰，張篤行，等.綜合決策支持系統中數據挖掘功能的設計與實現[J].計算機測量與控制，2010，18（1）：161-163.

[6] 張家愛.數據挖掘技術在農業決策支持系統中的應用[J].吉林農業科技學院學報，2010，19（1）：56-57.

[7] 楊曉玲，張素偉，吳裕樹，等.基于數據倉庫的數據分析系統研究[J].山西電子技術，2002（5）：16-19.

[8] 李增祥.數據挖掘技術在農業生產中的應用[J].微計算機信息， 2010，26（6-3）：150-151.

[9] 齊 平，陳 文.數據倉庫和數據挖掘在農業輔助決策支持系統中的應用[J].銅陵學院學報，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農業結構優化決策支持系統的數據指標體系及數據倉庫設計[J].農業現代化研究，2002，23（2）：121-123.

[11] 高 巖，吳順麗，安浩平，等.基于數據倉庫與數據挖掘的會計決策支持系統研究[J].河南科學，2011，29（2）：210-213.

設計選擇星型雪花型模型，好處是建模簡單，方便理解，可從多個維度分析數據。從圖3中可以看出，星型雪花型模型的表構成有維表與事實表兩種，用于查詢的信息放在事實表中，維表可以繼續擴展，成為維表和事實表的雪花型模型。經過分析處理，系統的數據倉庫事實表主要包含養殖基本信息、養殖時間、養殖地區、投入成本、約束條件等。事實表下又含多個維表：①養殖維表，包括養殖種類、價格。可能出現的疾病、飼料等；②時間維表，包括年度、季度、月份等；③地區維表，包括地區名稱、鄉鎮名稱、氣候等；④投入維表，包括水電費、醫藥費、飼料費、養殖機械費用及其他費用等；⑤約束條件維表，包括資源約束、社會需求約束、生態環境約束、行業關系約束等。其中養殖維表、地區維表等還可繼續細分，如疾病維表、環境維表等。

2.3 系統設計

設計采用綜合決策支持系統，是指新舊決策支持系統相結合。用于決策的數據存儲在數據倉庫中，可通過聯機多維數據分析和處理；數據挖掘是尋找數據庫與數據倉庫中的知識；模型庫可組合實現多個輔助決策廣義模型；輔助決策的數據來自數據庫；用戶可以運用專家系統進行推理和分析。這樣形成了綜合決策支持系統，相互作用，各自的優勢能夠很好地輔助決策[4]。系統的結構見圖4。

2.4 數據挖掘算法

大量的集成數據存儲在數據倉庫中，而從這些數據中挖掘有效和有用的信息進行預測與分析需多方面技術的進行協同。數據挖掘需要快速、有效的算法，下面給出一個算法：

1）采用聚類算法歸納整理數據。

2）數據集劃分成樣本集和修正集，樣本集可列出模型的主要參數，修正集用來檢驗和校對模型的主要參數。

3）評價預測結果，同時修改或調整模型的主要參數。

這里給出灰色數列預測模型GM（1，1）[5]，模型是含一個變量的一階微分方程。設原始數列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（進行一次累加生成列，弱化隨機性，強化規律性）

z（t）=■[y（t）+y（t-1）]（生成均值）

■+ay（t）=u[（建立GM（1，1）模型）]

y（t）=[x（1）-■]e-a（t-1）+■（分離型微分方程特解）

■（t）=■（t-1）2334[（原始數列X（t）的估計值（t）數列）]

對數列（t）與X（t）進行擬合效果檢驗，如果兩者擬合精度高，該模型可應用于外推預測；如果兩者擬合精度較低，不可直接應用于外推預測，必須經過殘差修正改進后才能進行外推預測。通過后驗差比值、平均相對誤差和小誤差概率的檢驗，確定數列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對誤差）

ε（t）=x（t）-■（t） （殘差計算）

C=■（驗差比值）

P=P[|ε（t）=x（t）-■（t）|<0.6745 S1]（小誤差概率）

根據精度檢驗等級參照表，得到數列的擬合優度。如果外推預測擬合優度高，預測效果則滿意，可按照下式外推預測：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過灰色數列預測模型GM（1，1）得出的各地區畜禽養殖數量曲線圖。圖5中4條不同形狀的曲線分別表示4段不同的時期，曲線變化表示各個地區養殖數量的同期對比，而數據點在縱軸上的變化情況則可以反映某個地區的養殖數量隨時間的變化情況。圖5中地區和時間的范圍都是可選的，用戶可以通過簡單的點拉操作選取自己想要查看的地區、時期或者其他維度。圖5中的數據還可以通過表格、柱狀圖、餅圖等形式展示，滿足不同用戶的需求。

2.5 數據分析

設計數據分析采用Oracle11i作為目標數據倉庫，運用Oracle與Warehouse Builde 2.1，實現操作型數據庫的ETL（抽取、轉換、裝載）形成數據倉庫。運用Borland Delphi開發前臺，形成具有OLAP分析的功能[6]，決策樹的分類和FP-樹關聯規則的挖掘功能[7]是自主開發的。

1）實現OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件組能夠很好地支持OLAP分析，用戶可運用BDE連接Oracle11i數據倉庫，采用DecisionSource、DecisionCube、DecisionQue控件獲得數據制作形成多維數據立方體，用DecisionGrap、DecisionGrid控件分析并顯示結果，還可使用DecisionPivot控件來對數據進行切片、切塊、上卷和下鉆等。

2）實現數據挖掘。系統的數據挖掘模塊完全是自主開發設計，分類與關聯規則挖掘功能得到基本實現[8]。使用ADO存儲和讀取數據倉庫中的數據，運用C++語言編寫數據挖掘算法得到動態連接庫dll文件。在Delphi前臺界面上，用戶可制定數據挖掘任務，定義能夠完成該任務的數據集，然后通過數據挖掘算法的動態連接庫方法的調用實行處理。現在通過規則的形式（if cl & c2 then r）的使用，給出系統中決策樹分類和關聯規則挖掘的結果[9]。

3 小結與討論

要想建成決策的數據倉庫必須具有巨大的數據量存儲，而且要發揮其強大的作用必須具備高層決策分析工具，所以建設成本普遍較高。在畜禽養殖業中應用還要考慮相關的基礎、社會需求和經濟效益等問題，所以可先在某個特定的區域提取特征參數進行試驗，掌握一定規律量后逐步走向實用。

伴隨著社會的進步和大數據時代的到來，在大量數據中尋找可用的信息用于決策越來越重要[10]。畜禽養殖業類型眾多、復雜，且疾病癥狀不斷變化，具有大量繁雜的數據。傳統的數據庫系統無法解決原始數據精細提取和不同區域影響程度變化等問題。主要表現為過往的數據量龐大，牽扯各種各樣信息系統的數據，而且這樣的數據很難集成，對數據處理和訪問的能力較低[11]。本研究運用數據倉庫技術，根據畜禽養殖相關參數如養殖數量、市場價格及飼料量等，找出相應的數學函數，直觀方式表現出來，為畜禽養殖決策提供技術基礎，同時也為解決上述問題提供了新的思路，從技術上解決了問題。

參考文獻：

[1] 沈春燕，馬 波.數據倉庫在漁業企業管理中的應用研究[J].管理實踐，2007（12）：35-37.

[2] 彭朝海.基于數據倉庫的決策支持系統[J].四川工業學院學報， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數據倉庫中的決策支持[M].北京：北京理工大學出版社，2001.

[4] 張 杰.數據倉庫技術應用研究[J].電子技術與軟件工程，2014（5）：192.

[5] 周學全，張志杰，張篤行，等.綜合決策支持系統中數據挖掘功能的設計與實現[J].計算機測量與控制，2010，18（1）：161-163.

[6] 張家愛.數據挖掘技術在農業決策支持系統中的應用[J].吉林農業科技學院學報，2010，19（1）：56-57.

[7] 楊曉玲，張素偉，吳裕樹，等.基于數據倉庫的數據分析系統研究[J].山西電子技術，2002（5）：16-19.

[8] 李增祥.數據挖掘技術在農業生產中的應用[J].微計算機信息， 2010，26（6-3）：150-151.

[9] 齊 平，陳 文.數據倉庫和數據挖掘在農業輔助決策支持系統中的應用[J].銅陵學院學報，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農業結構優化決策支持系統的數據指標體系及數據倉庫設計[J].農業現代化研究，2002，23（2）：121-123.

[11] 高 巖，吳順麗，安浩平，等.基于數據倉庫與數據挖掘的會計決策支持系統研究[J].河南科學，2011，29（2）：210-213.

設計選擇星型雪花型模型，好處是建模簡單，方便理解，可從多個維度分析數據。從圖3中可以看出，星型雪花型模型的表構成有維表與事實表兩種，用于查詢的信息放在事實表中，維表可以繼續擴展，成為維表和事實表的雪花型模型。經過分析處理，系統的數據倉庫事實表主要包含養殖基本信息、養殖時間、養殖地區、投入成本、約束條件等。事實表下又含多個維表：①養殖維表，包括養殖種類、價格。可能出現的疾病、飼料等；②時間維表，包括年度、季度、月份等；③地區維表，包括地區名稱、鄉鎮名稱、氣候等；④投入維表，包括水電費、醫藥費、飼料費、養殖機械費用及其他費用等；⑤約束條件維表，包括資源約束、社會需求約束、生態環境約束、行業關系約束等。其中養殖維表、地區維表等還可繼續細分，如疾病維表、環境維表等。

2.3 系統設計

設計采用綜合決策支持系統，是指新舊決策支持系統相結合。用于決策的數據存儲在數據倉庫中，可通過聯機多維數據分析和處理；數據挖掘是尋找數據庫與數據倉庫中的知識；模型庫可組合實現多個輔助決策廣義模型；輔助決策的數據來自數據庫；用戶可以運用專家系統進行推理和分析。這樣形成了綜合決策支持系統，相互作用，各自的優勢能夠很好地輔助決策[4]。系統的結構見圖4。

2.4 數據挖掘算法

大量的集成數據存儲在數據倉庫中，而從這些數據中挖掘有效和有用的信息進行預測與分析需多方面技術的進行協同。數據挖掘需要快速、有效的算法，下面給出一個算法：

1）采用聚類算法歸納整理數據。

2）數據集劃分成樣本集和修正集，樣本集可列出模型的主要參數，修正集用來檢驗和校對模型的主要參數。

3）評價預測結果，同時修改或調整模型的主要參數。

這里給出灰色數列預測模型GM（1，1）[5]，模型是含一個變量的一階微分方程。設原始數列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（進行一次累加生成列，弱化隨機性，強化規律性）

z（t）=■[y（t）+y（t-1）]（生成均值）

■+ay（t）=u[（建立GM（1，1）模型）]

y（t）=[x（1）-■]e-a（t-1）+■（分離型微分方程特解）

■（t）=■（t-1）2334[（原始數列X（t）的估計值（t）數列）]

對數列（t）與X（t）進行擬合效果檢驗，如果兩者擬合精度高，該模型可應用于外推預測；如果兩者擬合精度較低，不可直接應用于外推預測，必須經過殘差修正改進后才能進行外推預測。通過后驗差比值、平均相對誤差和小誤差概率的檢驗，確定數列模型的可靠性，具體如下。

■=■[（■x（t）-x（t））]×100%（平均相對誤差）

ε（t）=x（t）-■（t） （殘差計算）

C=■（驗差比值）

P=P[|ε（t）=x（t）-■（t）|<0.6745 S1]（小誤差概率）

根據精度檢驗等級參照表，得到數列的擬合優度。如果外推預測擬合優度高，預測效果則滿意，可按照下式外推預測：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

圖5展示的是通過灰色數列預測模型GM（1，1）得出的各地區畜禽養殖數量曲線圖。圖5中4條不同形狀的曲線分別表示4段不同的時期，曲線變化表示各個地區養殖數量的同期對比，而數據點在縱軸上的變化情況則可以反映某個地區的養殖數量隨時間的變化情況。圖5中地區和時間的范圍都是可選的，用戶可以通過簡單的點拉操作選取自己想要查看的地區、時期或者其他維度。圖5中的數據還可以通過表格、柱狀圖、餅圖等形式展示，滿足不同用戶的需求。

2.5 數據分析

設計數據分析采用Oracle11i作為目標數據倉庫，運用Oracle與Warehouse Builde 2.1，實現操作型數據庫的ETL（抽取、轉換、裝載）形成數據倉庫。運用Borland Delphi開發前臺，形成具有OLAP分析的功能[6]，決策樹的分類和FP-樹關聯規則的挖掘功能[7]是自主開發的。

1）實現OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件組能夠很好地支持OLAP分析，用戶可運用BDE連接Oracle11i數據倉庫，采用DecisionSource、DecisionCube、DecisionQue控件獲得數據制作形成多維數據立方體，用DecisionGrap、DecisionGrid控件分析并顯示結果，還可使用DecisionPivot控件來對數據進行切片、切塊、上卷和下鉆等。

2）實現數據挖掘。系統的數據挖掘模塊完全是自主開發設計，分類與關聯規則挖掘功能得到基本實現[8]。使用ADO存儲和讀取數據倉庫中的數據，運用C++語言編寫數據挖掘算法得到動態連接庫dll文件。在Delphi前臺界面上，用戶可制定數據挖掘任務，定義能夠完成該任務的數據集，然后通過數據挖掘算法的動態連接庫方法的調用實行處理。現在通過規則的形式（if cl & c2 then r）的使用，給出系統中決策樹分類和關聯規則挖掘的結果[9]。

3 小結與討論

要想建成決策的數據倉庫必須具有巨大的數據量存儲，而且要發揮其強大的作用必須具備高層決策分析工具，所以建設成本普遍較高。在畜禽養殖業中應用還要考慮相關的基礎、社會需求和經濟效益等問題，所以可先在某個特定的區域提取特征參數進行試驗，掌握一定規律量后逐步走向實用。

伴隨著社會的進步和大數據時代的到來，在大量數據中尋找可用的信息用于決策越來越重要[10]。畜禽養殖業類型眾多、復雜，且疾病癥狀不斷變化，具有大量繁雜的數據。傳統的數據庫系統無法解決原始數據精細提取和不同區域影響程度變化等問題。主要表現為過往的數據量龐大，牽扯各種各樣信息系統的數據，而且這樣的數據很難集成，對數據處理和訪問的能力較低[11]。本研究運用數據倉庫技術，根據畜禽養殖相關參數如養殖數量、市場價格及飼料量等，找出相應的數學函數，直觀方式表現出來，為畜禽養殖決策提供技術基礎，同時也為解決上述問題提供了新的思路，從技術上解決了問題。

參考文獻：

[1] 沈春燕，馬 波.數據倉庫在漁業企業管理中的應用研究[J].管理實踐，2007（12）：35-37.

[2] 彭朝海.基于數據倉庫的決策支持系統[J].四川工業學院學報， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.數據倉庫中的決策支持[M].北京：北京理工大學出版社，2001.

[4] 張 杰.數據倉庫技術應用研究[J].電子技術與軟件工程，2014（5）：192.

[5] 周學全，張志杰，張篤行，等.綜合決策支持系統中數據挖掘功能的設計與實現[J].計算機測量與控制，2010，18（1）：161-163.

[6] 張家愛.數據挖掘技術在農業決策支持系統中的應用[J].吉林農業科技學院學報，2010，19（1）：56-57.

[7] 楊曉玲，張素偉，吳裕樹，等.基于數據倉庫的數據分析系統研究[J].山西電子技術，2002（5）：16-19.

[8] 李增祥.數據挖掘技術在農業生產中的應用[J].微計算機信息， 2010，26（6-3）：150-151.

[9] 齊 平，陳 文.數據倉庫和數據挖掘在農業輔助決策支持系統中的應用[J].銅陵學院學報，2011（4）：108-110.

[10] 徐俊麗，趙慶禎.農業結構優化決策支持系統的數據指標體系及數據倉庫設計[J].農業現代化研究，2002，23（2）：121-123.

[11] 高 巖，吳順麗，安浩平，等.基于數據倉庫與數據挖掘的會計決策支持系統研究[J].河南科學，2011，29（2）：210-213.