分析数据挖掘技术在物流业中应用

论文导读：ancementoflogisticanagement，itwillproducelargeamountsofdataandhowtoeffectivelymakeuseofthesedataisthekeytologisticsenterprisemodernization.Thispaperfirstintroducessomedataminingmethodswhichcommonlyused，thenexpoundstheapplicationofdataminingtechnologyin
摘 要：数据挖掘是从大量已有数据中找出隐藏在其中的、有用的信息和规律。当前大部分物流企业实现了信息化建设，随着物流管理工作的不断推进，会产生大量数据，如何有效利用这些数据是物流企业实现现代化的关键所在。文章首先介绍了常用的数据挖掘策略，接着阐述数据挖掘技术在物流业中的应用，最后指出物流企业应用数据挖掘技术时应注意的理由。
关键词：数据挖掘；物流；应用
：A
Abstract： Finding useful information and rules from a large number of existing data which hidden in is defined as data mining. Most of the current logistics enterprises he achieved information construction. With the advancement of logistics management， it will produce large amounts of data and how to effectively make use of these data is the key to logistics enterprise modernization. This paper first introduces some data mining methods which commonly used， then expounds the application of data mining technology in the logistics industry， finally points out problems that the logistics enterprises needing attention in the application of data mining technology.
Key words： data mining； logistics； application
随着科学技术的迅猛发展，信息化程度快速增长，信息过量就成为人们不得不面对的理由。如何在海量的信息中及时发现有用的知识，提高信息利用率，显然成为人们当前亟待解决的理由。数据挖掘技术应运而生，并越来越显现出其强大的生命力。数据挖掘就是从大量的、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，但又潜在有用的信息和知识的过程[1]。即数据挖掘产生的前提是需要从多年积累的大量数据中找出隐藏在其中的、有用的信息和规律。某些具有特定应用理由和应用背景的领域是最能体现数据挖掘作用的应用领域，例如运输业、金融业、保险业、零售业、医疗、行政司法、工业部门等社会部门以及科学和工程研究单位等。
由于数据挖掘技术的不断成熟，其逐渐开始被物流企业所重视。目前，很多物流企业内部都实现了信息化，伴随着物流业务的处理过程会产生大量的数据，数据存储技术越来越成熟，对物流信息的处理速度也越来越快，还有现阶段已产生大量数据挖掘算法，如聚类检测、决策树策略、人工神经网络、遗传算法、关联分析策略、基于记忆的推理算法等，这些为数据挖掘在物流业中的应用提供了基础保证。
物流企业竞争异常激烈，要想在众多企业之中脱颖而出，就要实现企业的信息化建设，并有效利用数据挖掘技术，收集大量数据，帮助企业实时了解市场的动态，及时针对快速变化的环境做出响应，通过分析预测，抓住各种重要商机。如利用收集的数据可以预测客户行为，推算当前物品种类的流通数量、客户与物品间的内在关联等，便于物流企业的管理人员及时制定决策，有利于在对物品的数量准备、存储方式、合理配送等一系列物流过程中有效利用资源，最大限度地提高物流信息管理的工作效率，节约成本，缩短配送周期，更透彻了解客户来改善并强化对客户的服务。数据挖掘技术还能有效推动物流企业的业务处理过程重组，实现规模优化经营。通过合理使用数据挖掘技术，企业可以提高自身的竞争力，推动我国物流行业向更高水平发展。
1 数据挖掘的常用策略

1.1 聚类检测策略

聚类检测策略是最早的数据挖掘技术之一，也称为无指导的知识发现或无监督学习。聚类生成的组叫簇，簇是数据对象的集合。聚类检测的过程就是使同一个簇内的任意两个对象之间具有较高的相似性，不同的簇的两个对象之间具有较高的相异性。用于数据挖掘的聚类检测策略有：划分的策略、层次的策略、基于密度的策略、基于网络的策略和基于模型的策略等。

1.2 决策树策略

决策树主要应用于分类和预测，提供了一种展示类似在什么条件数据挖掘技术在物流业中的应用相关论文由www.7ctime.com收集,如需论文.下会得到什么值的规则的策略，一个决策树表示一系列的理由，每个理由决定了继续下去的理由会是什么。决策树的基本组成包括决策节点、分支和叶子，顶部的节点称为“根”，末梢的节点称为“叶子”。数据挖掘中决策树是一种经常采用的技术，常用的算法有CHAID、CART、Quest、ID3和C5.0等。决策树适合于处理非数值型数据，但如果生成的决策树过于庞大，会对结果的分析带来困难，因此需要在生成决策树后再对决策树进行剪枝处理，最后将决策树转化为规则，用于对新事例进行分类。

1.3 人工神经网络

神经网络策略越来越受到人们的关注，主要因为它为解决大复杂度理由提供了一种相对来说比较有效的简单策略。人工神经网络策略主要用于分类、聚类、特征挖掘、预测等方面。它通过向一个训练数据集学习和应用所学知识，生成分类和预测的模式。对于数据是不定性的和没有任何明显模式的情况，应用人工神经网络算法比较有效。人工神经网络策略仿真生物神经网络，其基本单元模仿人脑的神经元，被称为节点；同时利用链接连接节点，类似于人脑中神经元之间的连接。人工神经网络策略主要有：前馈式网络、反馈式网络和自组织网络。数据挖掘技术在物流业中的应用相关范文由写论文的好帮手www.7ctime.com提供,转载请保留. 全文地址：www.7ctime.com/wlglzybylw/lw40823.html上一论文：关于的基于人才能力需求构建高职物流管理专业课程体系的深思