Автоматизация проектирования систем оперативной аналитической обработки данных: на примере информационно-аналитических систем в энергетике тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Щавелев, Леонид Вячеславович

• Щавелев, Леонид Вячеславович
• кандидат технических наук
• 1999

Оглавление диссертации кандидат технических наук Щавелев, Леонид Вячеславович

Введение.

1. Концепции хранения и анализа корпоративных данных.

1.1. Хранилища (склады) данных.

1.2. Способы аналитической обработки данных для поддержки принятия решений.

1.3. Оперативная аналитическая обработка данных.

1.3.1. Требования к средствам оперативной аналитической обработки.

1.3.2. Классификация продуктов OLAP по способу представления данных.

1.4. Интеллектуальный анализ данных.3S

1.4.1. Классификация задач ИАД по типам извлекаемой информации.

1.4.2. Классификация стадий ИАД.

1.4.3. Классификация технологических методов ИАД.

1.5. Взаимодополняемость OLAP и ИАД.

1.6. Выводы по главе 1.

2. Моделирование многомерных концептуальных представлений для реляционных баз данных.

2.1. Основные понятия концепции виртуальной звезды.

2.2. Многомерная информационная модель.

2.2.1. Множество атрибутов.

2.2.2. Множество уровней обобщения.

2.2.3. Множество отрезков однородности.

2.2.4. Множество областей однородности.

2.2.5. Ограничения целостности многомерной информационной модели.

2.3. Построение запросов к многомерной информационной модели.

2.3.1. Вид запроса к многомерной информационной модели.

2.3.2. Правила получения значений ячеек многомерной информационной модели.

2.4. Выполнение запросов к многомерной информационной модели.

2.5. Выводы по главе 2.

3. Описание многомерных информационных моделей в аналитических метаданных.

3.1. Таблица атрибутов.

3.2. Таблица уровней обобщения.

3.3. Таблица отрезков однородности получения значений

3.4. Таблица областей однородности получения значений.

3.5. Таблица достаточных условий построения запросов.

3.6. Таблица необходимых условий построения запросов.

3.7. Выводы по главе 3.

4. Структура корпоративной информационно-аналитической системы.

4.1. Постановка задачи.

4.2. Общий вид корпоративной информационно-аналитической системы.

4.2.1. ИнфоВизор-Загрузка.

4.2.2. ИнфоВизор-Администратор.

4.2.3. ИнфоВизор-Реестр.

4.2.4. ИнфоВизор-Аналитик.

4.2.5. ИнфоВизор-Справочник.

4.3. Выводы по главе 4.

5. Программная реализация инструментальной системы оперативной аналитической обработки данных.

5.1. Система ИнфоВизор-Аналитик.

5.1.1. Общая структура системы.

5.1.2. Использование системы ИнфоВизор-Аналитик.

5.1.3. Реализация функционального ядра оперативной аналитической обработки данных.

5.2. Система ИнфоВизор-Администратор.

5.3. Модули интеллектуального анализа данных.

5.4. Технология формирования прикладных ИАС с помощью разработанных программных средств.

5.5. Выводы по главе 5.

Введение диссертации (часть автореферата) на тему «Автоматизация проектирования систем оперативной аналитической обработки данных: на примере информационно-аналитических систем в энергетике»

В постоянно изменяющихся условиях нынешнего динамичного мира сложность управления любой системой, будь то предприятие, ведомство или регион, непрерывно увеличивается, в то время как требования к его качеству значительно возрастают. При необходимости непрерывного контроля за состоянием множества жизненно важных факторов для нахождения оптимальных решений возникающих проблем традиционное управление, не поддерживаемое результатами современных научных достижений, как правило, сводится к примитивной стратегии "латания дыр", встречающейся сегодня непозволительно часто. Эффективное управление, нацеленное на неуклонное прогрессивное развитие системы, возможно только при опоре на информационную поддержку, которая обеспечивается автоматизированными системами поддержки принятия решений (СППР).

Потребность в информационной поддержке принятия решений существует также в сфере деятельности САПР, в случаях, когда объектами проектирования становятся крупные народно-хозяйственные системы. Их структура и функционирование описываются большими объемами данных, часто распределенных и несогласованных, которые, тем не менее, должны быть тщательно проанализированы и учтены при любой возможной модернизации и реорганизации системы.

На современном этапе наиболее остро проблема информационной поддержки стоит, главным образом, в задачах управления и реорганизации больших производственных систем (в первую очередь в области энергетики, топливной промышленности). Влияние естественных энергетических монополий на социально-экономический климат в регионах и в стране в целом особенно важно; стратегические ошибки в управлении этими сложными системами, возможно, не всегда бывают заметны сразу, но с течением времени могут приводить к тяжелым последствиям, в конечном счете отражающимся на благосостоянии налогоплательщиков. Пример другой сферы, остро нуждающейся в информационной поддержке - региональная информатизация, бурно развивающаяся в условиях роста влияния субъектов Федерации на проведение социально-экономической политики. Грамотное регулирование, основанное на косвенном воздействии на протекающие процессы со стороны органов власти, является весьма эффективным рычагом управления.

Очевидно, что необходима возможность оперативного доступа лиц, принимающих решения, к достоверным данным о состоянии системы и ситуации вокруг нее. Постоянная доступность актуальной информации дает возможность оценить текущее положение дел, а обзор изменения конкретных характеристик во времени позволяет обнаружить тенденции развития системы и сделать выводы о том, что ожидает ее в будущем. Таким образом, обладая всей полнотой сведений о состоянии системы и ее элементов в статике и динамике, управляющий персонал может принимать грамотные решения по применению мер регулирования. Такое управление основано на знании и потому более эффективно, чем принятие важных решений вслепую.

Однако, простое обладание полным объемом данных не становится решением проблемы. Стремительное развитие аппаратных средств сделало ведение крупных банков данных доступным для множества корпоративных пользователей. Но огромные объемы накопленных сведений не могут эффективно использоваться без специального инструментария, позволяющего разрешить главную проблему заказчика: "слишком много данных, но недостаточно информации". Разработка в последние несколько лет новых концепций хранения и анализа корпоративных данных знаменует собой качественный скачок в развитии информационных систем, вызванный, с одной стороны, желанием пользователя получить максимальную отдачу от накапливаемых массивов данных, а с другой - стремлением разработчика сформировать единый оптимальный подход к решению задач представления информации в крупных хранилищах и ее обработки. Наиболее интересной в этом ряду является концепция оперативной аналитической обработки данных (On-Line Analytical Processing, 0LAP), основу которой положил идеолог реляционной модели данных Э. Ф. Кодд в статье [49], вышедшей в 1993 году. Главной идеей этой концепции является обеспечение многомерного концептуального представления информации о предметной области как наиболее естественного с точки зрения профессионалов-аналитиков.

К сожалению, существует ряд проблем, ограничивающих применение большинства появившихся за рубежом программных средств аналитической обработки данных в условиях нашей страны. Прежде всего они связаны с тем, что эти средства в первую очередь предназначены для решения задач управления торгово-промышленными корпорациями, в то время как в России на первый план выходят задачи именно отраслевого и регионального управления. Исходя из этого, потребность в разработке информационно-аналитических систем (ИАС), предназначенных для поддержки принятия решений и удовлетворяющих требованиям задач управления и проектирования в крупных системах (в области энергетики, промышленности, региональной власти), представляется достаточно актуальной.

Очевидно, что разработка каждой конкретной ИАС "с нуля" - слишком расточительный подход с точки зрения затрат труда разработчиков и материальных ресурсов. Более продуктивным подходом может стать разработка инструментальных средств, ориентированных на автоматизацию проектирования прикладных ИАС в различных проблемных областях. При этом следует иметь в виду, что в большинстве случаев требуется выполнение аналитической обработки ранее созданных и активно работающих баз данных, структура которых может быть жестко определенной, достаточно сложной и не допускающей произвольной модификации существующих таблиц. Исходя из этого и была сформулирована цель диссертационной работы.

Целью диссертационной работы является разработка подходов и методов организации инструментальной оболочки для автоматизации проектирования и для последующей эксплуатации информационно-аналитических систем (ИАС), выполняющих оперативную аналитическую обработку (многомерный анализ) содержимого реляционных баз данных произвольной структуры и обеспечивающих поддержку принятия решений.

В соответствии с поставленной целью основные задачи диссертационной работы формулируются следующим образом. 1. Разработка механизмов обеспечения многомерного концептуального представления данных, содержащихся в реляционных БД произвольной структуры.

2. Разработка структуры аналитических метаданных для представления многомерных информационных моделей в реляционных БД, использующихся в качестве содержательного наполнения прикладных ИАС.

3. Разработка инструментария оперативной аналитической обработки данных в составе:

- системы, предназначенной для создания, редактирования и проверки логической целостности информационных моделей, составляющих аналитические метаданные, и решающей задачу автоматизации проектирования ИАС, ориентированных на конкретную область применения;

- системы оперативной аналитической обработки данных, содержащихся в реляционных БД произвольной структуры, снабженных аналитическими метаданными с описанием многомерных информационных моделей.

4. Разработка структуры функционального ядра системы оперативной аналитической обработки реляционных данных, открытого для расширения функциональности прикладных ИАС.

5. Отработка технологии построения прикладных ИАС на основе разработанного инструментария.

При решении поставленных задач в диссертационной работе использованы теория множеств, теория построения информационных систем, теория баз данных, теория объектно-ориентированного проектирования.

Научная новизна работы заключается в разработке метода организации многомерного анализа реляционных данных, накопленных в хранилищах данных произвольной структуры, включающего в себя способ организации многомерных информационных моделей, принцип их описания на уровне аналитических метаданных, порядок их использования при выполнении аналитических запросов к многомерному концептуальному представлению и технологию построения прикладных информационно-аналитических систем на основе созданной инструментальной оболочки.

Достигнуты следующие новые научные результаты.

1. Разработан механизм "виртуальной звезды", определяющий структуру и порядок использования информационных моделей для извлечения многомерной информации из реляционных БД произвольной структуры. В отличие от традиционно применяемых подходов разработанный механизм не требует обязательного приведения баз данных, использующихся для многомерного анализа, к специальному виду, а позволяет анализировать существующие хранилища данных без внесения изменений в их структуру. Предложенная в рамках механизма виртуальной звезды возможность разделения уровней обобщения атрибутов многомерной информационной модели на отрезки однородности, а множества ячеек модели - на области однородности получения значений позволяет совмещать в пределах одной модели ячейки со значениями показателей, извлекаемых из различных таблиц исходной БД и имеющих различную природу:

1) значения полей численного типа таблиц БД;

2) значения, полученные в результате оперативной агрегации в процессе выполнения запроса;

3) значения, являющиеся результатами расчета формул.

2. Предложен принцип организации аналитических метаданных для хранения многомерных информационных моделей в реляционных БД, являющихся содержательным наполнением прикладных информационно-аналитических систем. Определена структура системных таблиц, вводимых в анализируемую БД для обеспечения конечным пользователям единого многомерного концептуального представления содержащейся в ней разрозненной численной информации.

3. Предложены принципы организации инструментальной системы оперативной аналитической обработки данных в рамках программного комплекса, являющегося инструментальной оболочкой для построения корпоративных информационно-аналитических систем. Согласно им в инструментальной системе оперативной аналитической обработки реляционных данных должно быть произведено явное разделение инструментария конечного пользователя (аналитика), работающего с заранее построенным многомерным концептуальным представлением исследуемого хранилища данных, и инструментария администратора БД, предназначенного для проектирования прикладных ИАС посредством создания многомерных информационных моделей в аналитических метаданных и обеспечивающего возможность организации многомерного анализа данных над хранилищем произвольной структуры. При этом основная функциональность многомерного анализа выносится в отдельное ядро системы оперативной аналитической обработки, к которому в составе проектируемых прикладных ИАС могут подключаться внешние модули интеллектуального анализа данных.

4. Отработана технология построения прикладных ИАС на основе разработанных программных средств.

На защиту выносятся следующие научные результаты.

1. Механизм "виртуальной звезды", определяющий структуру и порядок использования информационных моделей для извлечения многомерной информации из реляционных БД произвольной структуры.

2. Принцип организации аналитических метаданных для хранения многомерных информационных моделей в реляционных БД, являющихся содержательным наполнением прикладных информационно-аналитических систем.

3. Принципы организации инструментальной системы оперативной аналитической обработки данных в рамках программного комплекса, являющегося инструментальной оболочкой для построения корпоративных НАС.

4. Технология построения прикладных ИАС на основе разработанных программных средств.

Основные положения диссертации изложены в работах [95105], а также обсуждались:

1) на II Республиканской электронной научной конференции "Современные проблемы информатизации" (Воронеж, 1997);

2) на конференции "Создание и развитие информационной среды вуза: состояние и перспективы" (Ивановская государственная архитектурно-строительная академия, Иваново, 1997);

3)на международной научно-технической конференции "VIII Бернардосовские чтения" (Ивановский государственный энергетический университет, Иваново, 1997);

4) на III Международной электронной научной конференции "Современные проблемы информатизации" (Воронеж, 1998);

5) на научно-практическом семинаре "Новые информационные технологии" (Московский государственный институт электроники и математики, Москва, 1998).

Диссертационная работа структурно состоит из введения, пяти глав и заключения.

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Щавелев, Леонид Вячеславович

основные результаты и выводы работы.

1. Выполнен обзор современных концепций и методов хранения и анализа корпоративных данных.

2. Предложен механизм "виртуальной звезды" для обеспечения многомерного концептуального представления данных, содержащихся в реляционных БД, в виде агрегированной многомерной информации любой степени обобщения. Разработана структура многомерных информационных моделей, транслирующих аналитические запросы к многомерному концептуальному представлению в серии БС^Ь-запросов к исходным реляционным БД.

3. Разработана оригинальная структура аналитических метаданных для представления многомерных информационных моделей в реляционных БД, являющихся содержательным наполнением создаваемых ИАС.

4. Разработана структура инструментальной системы оперативной аналитической обработки данных в рамках программного комплекса, являющегося инструментальной оболочкой для построения корпоративных ИАС.

5. Предложен способ реализации функционального ядра инструментальной системы оперативной аналитической обработки данных в виде независимой объектной библиотеки, допускающий расширение функциональности формируемых прикладных ИАС с помощью подключения к ядру системы оперативной аналитической обработки данных внешних модулей интеллектуального анализа.

6. Разработаны системы ИнфоВизор-Администратор и ИнфоВизор-Аналитик в рамках программного комплекса ИнфоВизор.

Система ИнфоВизор-Администратор, реализующая создание, редактирование и проверку логической целостности многомерных информационных моделей, автоматизирует проектирование ИАС, ориентированных на конкретную область применения. Система ИнфоВизор-Аналитик служит основой для создаваемых прикладных ИАС и полностью удовлетворяет требованиям Э. Ф. Кодда к программным средствам класса OLAP (оперативной аналитической обработки данных).

7. Отработана технология построения прикладных ИАС на основе разработанного инструментария. Сформированы прикладные ИАС, предназначенные для многомерного анализа существующих хранилищ данных в топливно-энергетической сфере, электроэнергетике, в сфере региональной власти.

Дальнейшее развитие исследований планируется в следующих направлениях.

1. Расширение набора модулей интеллектуального анализа данных с целью обогащения функциональных возможностей системы ИнфоВизор-Аналитик.

2.Усовершенствование пользовательского интерфейса системы ИнфоВизор-Администратор для достижения большей интуитивности управления аналитическими метаданными и, следовательно, для упрощения процесса проектирования прикладных ИАС.

3. Последовательная интеграция с инструментальной системой ИнфоВизор-Реестр (реализующей обслуживание и использо вание корпоративных информационно-поисковых систем) для решения задач, требующих одновременного выполнения комплексного анализа агрегированной информации и навигационного поиска в детализированных данных.

155

Заключение

Практическое применение рассмотренных в работе подходов и программных средств открывает перспективу использования в нашей стране отечественной технологии многомерного анализа данных в сферах промышленности, энергетики, отраслевой и региональной информатизации. Решение актуальной народнохозяйственной проблемы обеспечения информационной поддержки принятия решений на основе накопленных данных достигнуто за счет разработки в рамках программного комплекса ИнфоВизор инструментальной системы, полностью соответствующей требованиям к продуктам класса OLAP - оперативной аналитической обработки (табл. 1.1).

1. Многомерное концептуальное представление данных. Все . интуитивные операции манипулирования измерениями информационного гиперкуба (наложение фильтров, перемещение по уровням обобщения, вращение осей) обеспечиваются в пользовательском интерфейсе приложения ИнфоВизор-Аналитик посредством обращения к методам функционального ядра оперативной аналитической обработки.

2. Прозрачность. Привязка проектируемых с помощью программного комплекса ИнфоВизор прикладных ИАС к источникам исходных данных по стандартам ODBC/IDAPI позволяет скрыть от пользователя механизмы физического хранения данных. Все необходимые настройки выполняются администратором системы на сервере приложения.

3. Доступность. Единый, согласованный и целостный взгляд пользователя на информацию возможен через слой аналитических метаданных с многомерными информационными моделями, описывающими методы получения целевых значений из произвольно организованных физических массивов данных.

4. Устойчивая производительность. Любое ухудшение производительности, наступающее с увеличением числа измерений и/или размеров исходной БД, может быть связано только с работой реляционной СУБД, в которой ведется база данных. Подобные ухудшения по вине инструментальной системы оперативной аналитической обработки не возникают.

5. Клиент-серверная архитектура. Программный комплекс Ин-фоВизор изначально строился в архитектуре клиент-сервер, причем приложение ИнфоВизор-Аналитик существует как в двухзвенном (сервер БД - клиентская станция), так и в трех-звенном (сервер БД - сервер приложений - клиентская станция) вариантах. Таким образом, обеспечивается одновременная обработка централизованного хранилища данных с нескольких территориально распределенных рабочих мест.

6. Равноправие измерений. Структура многомерной информационной модели (2.1) не подразумевает никакого искусственного выделения особых измерений. С точки зрения описания методов извлечения целевых значений и построения отчетов все измерения модели равноправны.

7. Динамическая обработка разреженных матриц. Этот критерий актуален для продуктов класса MOLAP, а не R0LAP (при хранении исходных данных в реляционных БД пустые значения в базу не заносятся). Что касается гиперкуба показателей с результатами выполнения аналитического запроса, он хранится в виде, подобном таблице фактов структуры звезды, и также не содержит пустых значений.

8. Поддержка многопользовательского режима. Несколько пользователей могут одновременно работать с одной БД и с любыми информационными моделями в этой БД.

9. Неограниченная поддержка кроссмерных операций. Любые требуемые расчетные операции над результатами выполнения аналитических запросов к многомерным информационным моделям могут реализовываться в конкретных прикладных ИАС с помощью динамически подключаемых внешних аналитических модулей.

10.Интуитивное манипулирование данными. Пользовательский интерфейс приложения ИнфоВизор-Аналитик выполнен в максимально удобном для аналитика виде (Приложение 1).

И.Гибкий механизм генерации отчетов. Отчеты представляются в любой возможной ориентации, причем помимо табличных отчетов и диаграмм деловой графики реализована возможность представления результатов в виде картографических отчетов с помощью привязки к геоинформационной системе. 12.Неограниченное количество измерений и уровней агрегации. Структура многомерных информационных моделей не накладывает ограничений на их количество.

Проектирование ИАС посредством создания слоя аналитических метаданных дает возможность использовать БД любой структуры, в большинстве случаев уже утвержденной и поддерживаемой рядом прикладных программ; соответственно, любая модификация структуры исходных БД может быть легко обработана внесением исправлений в метаданные.

Построенная в данной инструментальной системе ИАС для анализа транспортировки, потребления и оплаты газа использует в качестве первичного материала для обработки хранилшце данных по учету газа компании Межрегионгаз РАО Газпром. Исходная БД состоит из 45 реляционных таблиц, связанных по правилам ссылочной целостности, причем между различными информационными атрибутами имеются связи всех возможных типов (1:1, 1:М, M:l, M:N). Множество таблиц этой БД условно подразделяется на 5 разделов:

1) стандартные справочники-классификаторы;

2) территориальная иерархия субъектов хоз. деятельности;

3) иерархия газотранспортных предприятий, газопроводов, газораспределительных станций и привязка к ним индивидуальных потребителей;

4) статистические данные о потреблении газа, его оплате и задолженности потребителей;

5) регистрация договоров о поставках газа.

Построенная над этим хранилищем данных ИАС содержит информационную модель, позволяющую анализировать накопленную информацию по следующим измерениям:

1) Параметр (измерение, описывающее смысл показателей);

2) Потребитель (измерение, определяющее расположение потребителя газа, включающее уровни обобщения: Регион, Населенный пункт, Субъект хозяйственной деятельности);

3) Вид деятельности (классификация потребителей по отраслям экономики);

4) Поставщик (источник поступления газа, включая уровни обобщения: ГТП - газотранспортное предприятие, МГП - магистральный газопровод, Газопровод-отвод, ГРС - Газораспределительная станция);

5) Тип договора (измерение, определяющее тип договора на поставку газа потребителю);

6)Время (период, к которому относятся данные; рассматриваются уровни обобщения: Год, Месяц, День).

Такие параметры как объем поставленного газа, оплата за поставленный газ, задолженность потребителей и т. д. с помощью построенной ИАС могут быть отслежены в динамике как для отдельных клиентов, так и, к примеру, для целых регионов. При этом можно классифицировать потребителей по виду деятельности, по типу заключенного договора и т. п. Анализ сезонных колебаний потребления газа в различных регионах даст возможность выявить пиковые нагрузки; в сочетании с выявлением тенденции последовательного роста спроса это позволит оценить возможности существующих газопроводов и определить первоочередные направления расширения существующей газотранспортной сети. При необходимости иного многомерного взгляда на хранилище в рамках существующей ИАС может быть или построена дополнительная информационная модель, или расширена одна из существующих.

ИАС по социально-экономическому положению региона, используемая в Администрации Ивановской области для исследования постоянно наполняемого хранилища данных,- содержит сведения о динамике развития большого числа показателей (объемы производства, собираемость налогов, состояние рынка труда, поступление средств в пенсионный фонд, уровень жизни населения и т. д.). БД социально-экономического положения ведется по принципу хранилища данных (рис. 1.1, 4.1) и интегрирует сведения, большая часть которых поступает из внешних источников (управления статистики, налоговой инспекции, центра занятости населения, пенсионного фонда и пр.). Структура этого хранилища (в отличие от других приведенных примеров) проектировалась специально для целей аналитической обработки по принципу схемы звезды (рис. 1.3), поэтому аналитические метаданные для него содержат многомерную информационную модель с тем же набором атрибутов, что и исходная таблица фактов: параметр (имя показателя), разрез (уточняющая характеристика параметра), единица измерения, объект (территориальная единица) и время (измерение, обязательное в любом хранилище данных, отражающем динамические процессы).

Кроме "того, обеспечиваемая механизмом виртуальной звезды гибкость в построении информационных моделей позволяет производить анализ содержимого БД разного рода автоматизированных реестров, создание которых практикуется в рамках информатизации промышленного и регионального управления. Так, разработаны информационные модели для многомерного анализа реестров юридических и физических лиц, создаваемых в Управлении экономики и прогнозирования Администрации Ивановской области, а также для реестра потребителей газа Ивановского филиала компании Межрегионгаз.

В области электроэнергетики построена прикладная ИАС на основе структуры БД паспортизации оборудования, ведущейся с помощью информационно-поисковой системы (ИПС) Уренских электрических сетей. В базисе атрибутов Параметр, Подстанция, Вид оборудования, Номинальное напряжение и т. д. рассматриваются показатели, отражающие суммарную стоимость оборудования, количественный состав оборудования каждого вида (например, трансформаторов), протяженность ЛЭП, долю оборудования с просроченной датой текущего (капитального) ремонта и т. д.

В качестве заключения можно перечислить следующие

Список литературы диссертационного исследования кандидат технических наук Щавелев, Леонид Вячеславович, 1999 год

1. Аджиев В. MineSet визуальный инструмент аналитика / / Открытые системы. - 1997. - № 3. - С. 72-77.

2. Альперович М. Технологии хранения и обработки корпоративных данных (Data Warehousing, OLAP, Data Mining). -http://www.sft.ru/reviews/DevCon97/DC2/DC2T12.htm.

3. Ананьин В. Intranet как инструмент корпоративного управления // СУБД. 1998. - № 4. - С. 80-89.

4. Арагон JI. Долой грязь! // PC Week/RE. 1998. - № 6. - С. 53-54.

5. Бирюков А. Системы принятия решений и Хранилища Данных/ / СУБД. 1998. - № 4. - С. 37-41.

6. Богомолов А. М., Салий В. Н. Алгебраические основы теории дискретных систем. М.: Наука. Физматлит, 1997. - 368 с.

7. Ф. П. Брукс мл. Как проектируются и создаются программные комплексы: Пер. с англ. М.: Наука, 1979. - 152 е., ил.

8. Буч Г. Объектно-ориентированное проектирование с примерами применения: Пер. с англ. М.: Конкорд, 1992. - 519 е., ил.

9. Вайну Я. Я.-Ф. Корреляция рядов динамики. М.: Статистика, 1977. - 119 с.

10. Ю.Винокуров JI. JL, Леонтьев Д. В. Обработчик запросов Espérant в технологии Data Warehouse // СУБД. 1996. - № 56. - С. 108-118.

11. И.Гупал А. М., Пономарев А. А., Цветков А. М. Об одном методе индуктивного вывода с подрезанием деревьев решений / / Кибернетика и системный анализ. 1993. - № 5. - С. 174-178.

12. Джейн А. К., Мао Ж., Моиуддин К. М. Введение в искусственные нейронные сети // Открытые системы. 1997. - № 4. - С. 16-24.

13. Елисеева И. И., Юзбашев М. М. Общая теория статистики / Под ред. чл.-корр. РАН И. И. Елисеевой. М.: Финансы и статистика, 1996. - 368 е.: ил.

14. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - № 4. - С. 41-44.

15. Кодд Э. Ф. Расширение реляционной модели для лучшего отражения семантики // СУБД. 1996. - № 5-6. - С. 163-192.

16. Коллинз Г., Блэй Дж. Структурные методы разработки систем: от стратегического планирования до тестирования. М.: Финансы и статистика, 1986. - 264 с.

17. Крастинь 0. П. Разработка и интерпретация моделей корреляционных связей в экономике. Рига: Зинатне, 1983.

18. Кречетов Н., Иванов П. Продукты для интеллектуального анализа данных // ComputerWeek-Москва. 1997. - № 14-15. -С. 32-39.

19. Кузнецов 0. П., Адельсон-Вельский Г. М. Дискретная математика для инженера. 2-е изд., перераб. и доп. - М.: Энерго-атомиздат, 1988. - 480 е.: ил.

20. Любарский Ю. Я. Интеллектуальные информационные системы. М.: Наука. Гл. Ред. физ.-мат. лит., 1980. - 232 с.

21. Моуд Дж. Товары впрок // PC Week/RE. 1997. - № 33. -С. 39-40.

22. Пржиялковский В. В. Сложный анализ данных большого объема: новые перспективы компьютеризации // СУБД. 1996. - № 4. - С. 71-83.

23. Раден Н. Данные, данные и только данные // ComputerWeek-Москва. 1996. - № 8. - С. 28.

24. Раден Н. Интеграция WWW и информационных хранилищ / / ComputerWeek-Москва. 1996. - № 28. - С. 31, 43.

25. Раден Н. Моделирование информационных хранилищ / / ComputerWeek-Москва. 1996. - № 16. - С. 30, 31.

26. Рузайкин Г. И. Орудие Data Mining: успех в анализе данных // Мир ПК. 1997. - № 1. - С. 102-103.

27. Сахаров А. А. Концепция построения и реализации информационных систем, ориентированных на анализ данных / / СУБД. 1996. - № 4. - С. 55-70.

28. Сахаров А. А. Принципы проектирования и использования многомерных баз данных (на примере Oracle Express Server) // СУБД. 1996. - № 3. - С. 44-59.

29. Туо Дж. Инструменты для анализа информации на настольных ПК // ComputerWeek-Москва. 1996. - № 38. - С 34-35, 46.

30. Туо Дж. Каждому пользователю свое представление данных // ComputerWeek-Москва. - 1996. - № 38. - С. 1, 32-33.

31. Уоссермен. Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. - 240 с.

32. Цветков А. М. Разработка алгоритмов индуктивного вывода с использованием деревьев решений // Кибернетика и системный анализ. 1993. - № 1. - С. 174-178.

33. Цикритзис Д., Лоховски Ф. Модели данных / Пер. с англ. М.: Финансы и статистика, 1985. - 344 е., ил.

34. Чен П. П.-Ш. Модель "сущность-связь" шаг к единому представлению данных // СУБД. - 1995. - № 3. - С. 137-157.

35. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы. 1998. - № 1.- С. 30-35.

36. Шлеер С., Меллор С. Объектно-ориентированный анализ: моделирование мира в состояниях. Киев: Диалектика, 1993.-240с.

37. Эделстейн Г. Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах // ComputerWeek-Москва. 1996. - № 16. - С. 32-33.

38. Aha D. W. An Implementation and Experiment with the Nested Generalized Exemplars Algorithm (Technical Report AIC-95-003). Washington, DC: Naval Research Laboratory, Navy Center for Applied Research in Artificial Intelligence, 1995.

39. Aha D. W., Salzberg S. L. Learning to Catch: Applying Nearest Neighbor Algorithms to Dynamic Control Tasks / In P. Cheeseman & R. W. Oldford (Eds.) Selecting Models from Data: Artificial Intelligence and Statistics. New York, NY: Springer-Verlag, 1993.

40. Alalouf C. Hybrid 0LAP. St. Laurent, Canada: Speedware Corporation Inc., 1997.

41. An Introduction to Multidimensional Database Technology. -Kenan Systems Corporation, 1995.

42. Brand E., Gerritsen R. Data Mining and Knowledge Discovery // DBMS. 1998. - № 7.

43. Brand E, Gerritsen R. Decision Trees // DBMS. 1998. - № 7.

44. Brand E., Gerritsen R. Naive-Bayes and Nearest Neighbor / / DBMS. 1998. - № 7.

45. Carickhoff R. A New Face For 0LAP // Internet Systems. 1997.- № 1.

46. Cendrowska J. PRISM: An algorithm for inducing modular rules // International Journal of Man-Machine Studies. -1987. 27. - P. 349-370.

47. CF0 Vision. SAS Institute Inc., 1997.

48. Codd E. F., Codd S. B., Salley C. T. Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate. E. F. Codd & Associates, 1993.

49. Connelly R., McNeill R., Mosimann R. The Multidimensional Manager. Ottawa, Canada: Cognos Incorporated, 1998. - 130 p.

50. Data Warehousing. Delivering Decision Support to the Many. Business Objects S. A., 1996 (http://www.businessobjects.com/ product/dataware/dataware.htm).

51. Demarest M. Building the Data Mart // DBMS. 1994. - № 7. - P. 44-50.

52. Elkins S. B. Open OLAP // DBMS. 1998. - № 4.

53. Fausett L. V. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Englewood Cliffs, New Jersey: Prentice Hall, 1994. - 461 p.

54. Frawley W. L., Piatetsky-Shapiro G., Matheus C. J. Knowledge discovery in databases: An overview // AI Magazine. 1992. -№ 13(3). - P. 57-70.

55. Friedman N., Geiger D., Goldszmidt M., etc. Bayesian Network Classifiers // Machine Learning. 1997. - 29. - P. 131-165.

56. Fuernkranz J. A Brief Introduction to Knowledge Discovery in Databases // OEGAI Journal. 1995. - № 14(4). - P. 14-17.

57. Fuernkranz J. Separate-and-Conquer Rule Learning. Vienna: Austrian Research Institute for Artificial Intelligence, Technical Report OEFAI-TR-96-25, 1996.

58. Gonzales M. L. Getting Set for OLAP // DB2 Magazine. 1998. -№ 2.

59. Gray J., Chaudhuri S., Bosworth A., etc. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals // Data Mining and Knowledge Discovery. 1997. - № 1. - P. 29-53.

60. Harinarayan V., Rajaraman A., Ullman J. D. Implementing Data Cubes Efficiently // SIGMOD Conference. Montreal, CA. -1996.

61. Heckerman D. Bayesian Networks for Data Mining // Data Mining and Knowledge Discovery. 1997. - № 1. - P. 79-119.

62. Heckerman D., Geiger D., Chickering D. Learning Bayesian networks: The combination of knowledge and statistical data // Machine Learning. 1995. - 20. - P. 197-243.

63. Hurwitz J. The Evolution of Metadata // DBMS. 1997. - Vol. 10. - N 8. - P. 12-15.

64. Informix Guide to SQL: Reference, Version 7.1. Menlo Park, CA, USA: Informix Software, Inc., 1994.

65. Informix Guide to SQL: Syntax, Version 7.1. Menlo Park, CA, USA: Informix Software, Inc., 1994.

66. Informix Guide to SQL: Tutorial, Version 7.1. Menlo Park, CA, USA: Informix Software, Inc., 1994.

67. Inmon W. H. Building The Data Warehouse (Second Edition). -NY, NY: John Wiley, 1993.

68. Kelly C., Henderson D, Stierhoff M. The Impact of Web Technology on Enterprise Decision Support Systems. SAS Institute Inc., 1996.

69. Kosko B. Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Englewood Cliffs, New Jersey: Prentice Hall, 1992. - 452 p.

70. Kramer S. Structural Regression Trees. Vienna: Austrian Research Institute for Artificial Intelligence, Technical Report OEFAI-TR-95-35, 1995.

71. Kulkarni J., King R. Business Intelligence Systems and Data Mining. SAS Institute Inc., 1996.

72. Michalski R. S. A theory and methodology of inductive learning // Artificial Intelligence. 1983. - 20(2). - P. 111-162.

73. Michalski R. S. On the quasi-minimal solution of the covering problem // In Proceedings of the 5th International Symposium on Information Processing (FCIP-69): Vol. A3 (Switching Circuits). Bled, Yugoslavia, 1969. - P. 125-128.

74. Moriarty T. Scenario-Based Analysis // Database Programming and Design. 1998. - № 6.

75. Mumick I. S., Quass D., Mumick B. S. Maintenance of Data Cubes and Summary Tables in a Warehouse. Stanford University, Database Group, 1996 (http://www-db.stanford.edu/pub/ papers/cube-maint.ps).

76. Newquist H. P. Data Mining: The AI Metamorphosis // Database Programming and Design. 1996. - № 9.78.0LAP for the Masses. Business Objects S. A., 1996 (http://www.businessobjects.com/product/olap/olap.htm).

77. Pagallo G., Haussier -D. Boolean feature discovery in empirical learning // Machine Learning. 1990. - 5. - P. 71-99.

78. Parsaye K. A Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing. -1998.-№ 1.

79. Parsaye K. Data Mines for Data Warehouses // Database Programming and Design. 1996. - № 9.

80. Parsaye K. Data Mining with OLAP Affinities. Information Discovery, Inc., 1998.

81. Parsaye K. OLAP and Data Mining: Bridging the Gap // Database Programming and Design. 1997. - № 2.

82. Parsaye K. Rules are Much More than Decision Trees // The Journal of Data Warehousing. 1997. - № 1.

83. Parsaye K. Surveying Decision Support: New Realms of Analysis // Database Programming and Design. 1996. - № 4.

84. Pyne A. The SAS System and Web Integration. SAS Institute Inc., 1996.

85. Quinlan J. R. C4.5: Programs for Machine Learning. San ■ Mateo, CA: Morgan Kaufmann, 1993.

86. Quinlan J. R. Generating production rules from decision trees // In Proceedings of the 10th International Joint Conference on Artificial Intelligence (IJCAI-87). Morgan Kaufmann, 1987. - P. 304-307.

87. Quinlan J. R. Induction of decision trees // Machine Learning. 1986. - 1. - P. 81-106.

88. Quinlan J. R. Simplifying decision trees // International Journal of Man-Machine Studies. 1987. - 27. - P. 221-234.

89. Raden N. Star Schema. Santa Barbara, CA: Archer Decision Sciences, Inc., 1995-1996.

90. Thomsen E. Comparing different approaches to OLAP calculations as revealed in benchmarks // Database Programming and Design. 1998. - № 5.

91. Tukey J. Exploratory Data Analysis. NY: McMillan, 1973.

92. Wettschereck D., Aha D. W., Mohri T. A Review and Empirical Evaluation of Feature Weighting Methods for a Class of Lazy Learning Algorithms // Artificial Intelligence Review. 11. -P. 273-314.

93. Щавелев Л. В., Коровкин С. Д., Левенец И. А. Агрегация и интеллектуальный анализ информации хранилищ данных // Новые информационные технологии: материалы научно-практического семинара / Моск. гос. ин-т электроники и математики. М.: 1998. - С. 108-118.

94. Решение проблемы комплексного оперативного анализа информации хранилищ данных / Коровкин С. Д., Левенец И. А., Ратманова И. Д., Старых В. А., Щавелев Л. В. // СУБД. 1997. - № 5-6. - С. 47-51.