基于数据仓库技术的畜禽养殖决策支持系统设计

刘光明+陈长喜

摘要：针对畜禽养殖涉及的因素繁杂，且时空差异和变异性大，疾病频繁，养殖稳定性和可控程度差，结合畜禽养殖自身特点和养殖管理的实际情况，建立了畜禽健康养殖决策支持系统数据仓库结构和模型，给出了相关的数据挖掘算法实现步骤。探索该技术在畜禽养殖中的应用，解决一些实际出现的技术问题，实现了畜禽养殖科学化、智能化、健康化的管理标准。

关键词：畜禽养殖；数据仓库；决策支持；数据挖掘

中图分类号：TP311；S83 文献标识码：A 文章编号：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，各类畜禽养殖企业为了经营管理的需要建立了各种类型的信息管理系统，但这些管理系统基本是由一些独立的、分散不关联的系统所组成，虽然拥有大量的信息，但由于系统不兼容性和数据属性的不一致，无法为畜禽养殖决策提供有效的支持。如何整合这些分散、独立的畜禽养殖企业管理业务操作系统，提出大容量畜禽养殖企业数据管理的有效分析方法，从“数据的海洋”中挖掘潜在的信息，为畜禽养殖企业管理者做出正确有效的判断与决策提供依据，以提高畜禽养殖企业管理水平与效率，降低管理成本[1]。针对上述问题，遵循畜禽健康养殖的规律，构建了基于数据仓库技术的畜禽养殖决策支持系统和相应的数据模型，在地区差异性制约和影响程度变异性下，提高了原始数据的提取精度，能够集成不同辅助信息系统的大量历史数据，提高了大数据访问能力。

1 数据仓库对畜禽养殖决策支持系统的作用

1.1 养殖效益分析

根据数据仓库中的养殖原始数据、价格和投入量等，运用数理统计模型确定目标函数的具体形式，进行预测趋势和定量分析。分析并同时找出社会资源需求、自然资源、生态环境、畜禽养殖业与其他行业关系等的数据限制，从而使得模型动态地发生变化。

1.2 养殖因素分析

采用联机分析处理（OLAP）技术切片、钻取和旋转多维数据，深入分析数据仓库中的数据。把提取的相关信息作为解决问题的基础，运用数学运算通过三维形式表现出来，解答在一定时间一定范围内对畜禽养殖影响的问题。

1.3 养殖预测分析

通过数据挖掘技术，找出内在关联对数据进行逻辑计算，比如有针对性地使用数学模型，根据历年的市场价格数据随时间变化的趋势预测将来的值。

1.4 养殖决策分析

运用时间序列模型、关联规则挖掘市场价格数据和市场需求量数据，简单地确定目标函数具体形式，通过可视化的形式表现，预测产品价格和需求量，从而开拓潜在的市场，更好地为决策提供可靠的支持。

2 数据仓库在决策支持系统中的应用

2.1 系统结构

与传统数据库不一样，数据仓库[2]包括前端处理、源数据和后端处理三个方面。体系结构见图1。

后端处理功能是将提取、清除、转变、运算、汇总后的源数据提供给数据仓库；前端处理的功能是客户端可以存储、提取并对数据仓库的数据进行分析，运用联机分析处理生成报表，以直观方式表现出来，辅助用户决策操作。数据仓库是综合数据的集合，用于支持管理决策信息支持库[3]。畜禽养殖决策支持系统中数据仓库系统结构见图2。

2.2 系统模型

数据仓库模型都以事实作为中心，主要不同是外围维度表相互之间的关联。由于畜禽养殖业的数据量巨大，要想得到约束条件、决策变量和目标函数，必须对其进行详细的分析处理。

设计选择星型雪花型模型，好处是建模简单，方便理解，可从多个维度分析数据。从图3中可以看出，星型雪花型模型的表构成有维表与事实表两种，用于查询的信息放在事实表中，维表可以继续扩展，成为维表和事实表的雪花型模型。经过分析处理，系统的数据仓库事实表主要包含养殖基本信息、养殖时间、养殖地区、投入成本、约束条件等。事实表下又含多个维表：①养殖维表，包括养殖种类、价格。可能出现的疾病、饲料等；②时间维表，包括年度、季度、月份等；③地区维表，包括地区名称、乡镇名称、气候等；④投入维表，包括水电费、医药费、饲料费、养殖机械费用及其他费用等；⑤约束条件维表，包括资源约束、社会需求约束、生态环境约束、行业关系约束等。其中养殖维表、地区维表等还可继续细分，如疾病维表、环境维表等。

2.3 系统设计

设计采用综合决策支持系统，是指新旧决策支持系统相结合。用于决策的数据存储在数据仓库中，可通过联机多维数据分析和处理；数据挖掘是寻找数据库与数据仓库中的知识；模型库可组合实现多个辅助决策广义模型；辅助决策的数据来自数据库；用户可以运用专家系统进行推理和分析。这样形成了综合决策支持系统，相互作用，各自的优势能够很好地辅助决策[4]。系统的结构见图4。

2.4 数据挖掘算法

大量的集成数据存储在数据仓库中，而从这些数据中挖掘有效和有用的信息进行预测与分析需多方面技术的进行协同。数据挖掘需要快速、有效的算法，下面给出一个算法：

1）采用聚类算法归纳整理数据。

2）数据集划分成样本集和修正集，样本集可列出模型的主要参数，修正集用来检验和校对模型的主要参数。

3）评价预测结果，同时修改或调整模型的主要参数。

这里给出灰色数列预测模型GM（1，1）[5]，模型是含一个变量的一阶微分方程。设原始数列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（进行一次累加生成列，弱化随机性，强化规律性）

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）+■（分离型微分方程特解）

■（t）=■（t-1）2334[（原始数列X（t）的估计值（t）数列）]

对数列（t）与X（t）进行拟合效果检验，如果两者拟合精度高，该模型可应用于外推预测；如果两者拟合精度较低，不可直接应用于外推预测，必须经过残差修正改进后才能进行外推预测。通过后验差比值、平均相对误差和小误差概率的检验，确定数列模型的可靠性，具体如下。

■=■[（■x（t）-x（t））]×100%（平均相对误差）

ε（t）=x（t）-■（t） （残差计算）

C=■（验差比值）

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

根据精度检验等级参照表，得到数列的拟合优度。如果外推预测拟合优度高，预测效果则满意，可按照下式外推预测：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

图5展示的是通过灰色数列预测模型GM（1，1）得出的各地区畜禽养殖数量曲线图。图5中4条不同形状的曲线分别表示4段不同的时期，曲线变化表示各个地区养殖数量的同期对比，而数据点在纵轴上的变化情况则可以反映某个地区的养殖数量随时间的变化情况。图5中地区和时间的范围都是可选的，用户可以通过简单的点拉操作选取自己想要查看的地区、时期或者其他维度。图5中的数据还可以通过表格、柱状图、饼图等形式展示，满足不同用户的需求。

2.5 数据分析

设计数据分析采用Oracle11i作为目标数据仓库，运用Oracle与Warehouse Builde 2.1，实现操作型数据库的ETL（抽取、转换、装载）形成数据仓库。运用Borland Delphi开发前台，形成具有OLAP分析的功能[6]，决策树的分类和FP-树关联规则的挖掘功能[7]是自主开发的。

1）实现OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件组能够很好地支持OLAP分析，用户可运用BDE连接Oracle11i数据仓库，采用DecisionSource、DecisionCube、DecisionQue控件获得数据制作形成多维数据立方体，用DecisionGrap、DecisionGrid控件分析并显示结果，还可使用DecisionPivot控件来对数据进行切片、切块、上卷和下钻等。

2）实现数据挖掘。系统的数据挖掘模块完全是自主开发设计，分类与关联规则挖掘功能得到基本实现[8]。使用ADO存储和读取数据仓库中的数据，运用C++语言编写数据挖掘算法得到动态连接库dll文件。在Delphi前台界面上，用户可制定数据挖掘任务，定义能够完成该任务的数据集，然后通过数据挖掘算法的动态连接库方法的调用实行处理。现在通过规则的形式（if cl & c2 then r）的使用，给出系统中决策树分类和关联规则挖掘的结果[9]。

3 小结与讨论

要想建成决策的数据仓库必须具有巨大的数据量存储，而且要发挥其强大的作用必须具备高层决策分析工具，所以建设成本普遍较高。在畜禽养殖业中应用还要考虑相关的基础、社会需求和经济效益等问题，所以可先在某个特定的区域提取特征参数进行试验，掌握一定规律量后逐步走向实用。

伴随着社会的进步和大数据时代的到来，在大量数据中寻找可用的信息用于决策越来越重要[10]。畜禽养殖业类型众多、复杂，且疾病症状不断变化，具有大量繁杂的数据。传统的数据库系统无法解决原始数据精细提取和不同区域影响程度变化等问题。主要表现为过往的数据量庞大，牵扯各种各样信息系统的数据，而且这样的数据很难集成，对数据处理和访问的能力较低[11]。本研究运用数据仓库技术，根据畜禽养殖相关参数如养殖数量、市场价格及饲料量等，找出相应的数学函数，直观方式表现出来，为畜禽养殖决策提供技术基础，同时也为解决上述问题提供了新的思路，从技术上解决了问题。

参考文献：

[1] 沈春燕，马 波.数据仓库在渔业企业管理中的应用研究[J].管理实践，2007（12）：35-37.

[2] 彭朝海.基于数据仓库的决策支持系统[J].四川工业学院学报， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.数据仓库中的决策支持[M].北京：北京理工大学出版社，2001.

[4] 张 杰.数据仓库技术应用研究[J].电子技术与软件工程，2014（5）：192.

[5] 周学全，张志杰，张笃行，等.综合决策支持系统中数据挖掘功能的设计与实现[J].计算机测量与控制，2010，18（1）：161-163.

[6] 张家爱.数据挖掘技术在农业决策支持系统中的应用[J].吉林农业科技学院学报，2010，19（1）：56-57.

[7] 杨晓玲，张素伟，吴裕树，等.基于数据仓库的数据分析系统研究[J].山西电子技术，2002（5）：16-19.

[8] 李增祥.数据挖掘技术在农业生产中的应用[J].微计算机信息， 2010，26（6-3）：150-151.

[9] 齐 平，陈 文.数据仓库和数据挖掘在农业辅助决策支持系统中的应用[J].铜陵学院学报，2011（4）：108-110.

[10] 徐俊丽，赵庆祯.农业结构优化决策支持系统的数据指标体系及数据仓库设计[J].农业现代化研究，2002，23（2）：121-123.

[11] 高 岩，吴顺丽，安浩平，等.基于数据仓库与数据挖掘的会计决策支持系统研究[J].河南科学，2011，29（2）：210-213.

设计选择星型雪花型模型，好处是建模简单，方便理解，可从多个维度分析数据。从图3中可以看出，星型雪花型模型的表构成有维表与事实表两种，用于查询的信息放在事实表中，维表可以继续扩展，成为维表和事实表的雪花型模型。经过分析处理，系统的数据仓库事实表主要包含养殖基本信息、养殖时间、养殖地区、投入成本、约束条件等。事实表下又含多个维表：①养殖维表，包括养殖种类、价格。可能出现的疾病、饲料等；②时间维表，包括年度、季度、月份等；③地区维表，包括地区名称、乡镇名称、气候等；④投入维表，包括水电费、医药费、饲料费、养殖机械费用及其他费用等；⑤约束条件维表，包括资源约束、社会需求约束、生态环境约束、行业关系约束等。其中养殖维表、地区维表等还可继续细分，如疾病维表、环境维表等。

2.3 系统设计

设计采用综合决策支持系统，是指新旧决策支持系统相结合。用于决策的数据存储在数据仓库中，可通过联机多维数据分析和处理；数据挖掘是寻找数据库与数据仓库中的知识；模型库可组合实现多个辅助决策广义模型；辅助决策的数据来自数据库；用户可以运用专家系统进行推理和分析。这样形成了综合决策支持系统，相互作用，各自的优势能够很好地辅助决策[4]。系统的结构见图4。

2.4 数据挖掘算法

大量的集成数据存储在数据仓库中，而从这些数据中挖掘有效和有用的信息进行预测与分析需多方面技术的进行协同。数据挖掘需要快速、有效的算法，下面给出一个算法：

1）采用聚类算法归纳整理数据。

2）数据集划分成样本集和修正集，样本集可列出模型的主要参数，修正集用来检验和校对模型的主要参数。

3）评价预测结果，同时修改或调整模型的主要参数。

这里给出灰色数列预测模型GM（1，1）[5]，模型是含一个变量的一阶微分方程。设原始数列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（进行一次累加生成列，弱化随机性，强化规律性）

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）+■（分离型微分方程特解）

■（t）=■（t-1）2334[（原始数列X（t）的估计值（t）数列）]

对数列（t）与X（t）进行拟合效果检验，如果两者拟合精度高，该模型可应用于外推预测；如果两者拟合精度较低，不可直接应用于外推预测，必须经过残差修正改进后才能进行外推预测。通过后验差比值、平均相对误差和小误差概率的检验，确定数列模型的可靠性，具体如下。

■=■[（■x（t）-x（t））]×100%（平均相对误差）

ε（t）=x（t）-■（t） （残差计算）

C=■（验差比值）

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

根据精度检验等级参照表，得到数列的拟合优度。如果外推预测拟合优度高，预测效果则满意，可按照下式外推预测：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

图5展示的是通过灰色数列预测模型GM（1，1）得出的各地区畜禽养殖数量曲线图。图5中4条不同形状的曲线分别表示4段不同的时期，曲线变化表示各个地区养殖数量的同期对比，而数据点在纵轴上的变化情况则可以反映某个地区的养殖数量随时间的变化情况。图5中地区和时间的范围都是可选的，用户可以通过简单的点拉操作选取自己想要查看的地区、时期或者其他维度。图5中的数据还可以通过表格、柱状图、饼图等形式展示，满足不同用户的需求。

2.5 数据分析

设计数据分析采用Oracle11i作为目标数据仓库，运用Oracle与Warehouse Builde 2.1，实现操作型数据库的ETL（抽取、转换、装载）形成数据仓库。运用Borland Delphi开发前台，形成具有OLAP分析的功能[6]，决策树的分类和FP-树关联规则的挖掘功能[7]是自主开发的。

1）实现OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件组能够很好地支持OLAP分析，用户可运用BDE连接Oracle11i数据仓库，采用DecisionSource、DecisionCube、DecisionQue控件获得数据制作形成多维数据立方体，用DecisionGrap、DecisionGrid控件分析并显示结果，还可使用DecisionPivot控件来对数据进行切片、切块、上卷和下钻等。

2）实现数据挖掘。系统的数据挖掘模块完全是自主开发设计，分类与关联规则挖掘功能得到基本实现[8]。使用ADO存储和读取数据仓库中的数据，运用C++语言编写数据挖掘算法得到动态连接库dll文件。在Delphi前台界面上，用户可制定数据挖掘任务，定义能够完成该任务的数据集，然后通过数据挖掘算法的动态连接库方法的调用实行处理。现在通过规则的形式（if cl & c2 then r）的使用，给出系统中决策树分类和关联规则挖掘的结果[9]。

3 小结与讨论

要想建成决策的数据仓库必须具有巨大的数据量存储，而且要发挥其强大的作用必须具备高层决策分析工具，所以建设成本普遍较高。在畜禽养殖业中应用还要考虑相关的基础、社会需求和经济效益等问题，所以可先在某个特定的区域提取特征参数进行试验，掌握一定规律量后逐步走向实用。

伴随着社会的进步和大数据时代的到来，在大量数据中寻找可用的信息用于决策越来越重要[10]。畜禽养殖业类型众多、复杂，且疾病症状不断变化，具有大量繁杂的数据。传统的数据库系统无法解决原始数据精细提取和不同区域影响程度变化等问题。主要表现为过往的数据量庞大，牵扯各种各样信息系统的数据，而且这样的数据很难集成，对数据处理和访问的能力较低[11]。本研究运用数据仓库技术，根据畜禽养殖相关参数如养殖数量、市场价格及饲料量等，找出相应的数学函数，直观方式表现出来，为畜禽养殖决策提供技术基础，同时也为解决上述问题提供了新的思路，从技术上解决了问题。

参考文献：

[1] 沈春燕，马 波.数据仓库在渔业企业管理中的应用研究[J].管理实践，2007（12）：35-37.

[2] 彭朝海.基于数据仓库的决策支持系统[J].四川工业学院学报， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.数据仓库中的决策支持[M].北京：北京理工大学出版社，2001.

[4] 张 杰.数据仓库技术应用研究[J].电子技术与软件工程，2014（5）：192.

[5] 周学全，张志杰，张笃行，等.综合决策支持系统中数据挖掘功能的设计与实现[J].计算机测量与控制，2010，18（1）：161-163.

[6] 张家爱.数据挖掘技术在农业决策支持系统中的应用[J].吉林农业科技学院学报，2010，19（1）：56-57.

[7] 杨晓玲，张素伟，吴裕树，等.基于数据仓库的数据分析系统研究[J].山西电子技术，2002（5）：16-19.

[8] 李增祥.数据挖掘技术在农业生产中的应用[J].微计算机信息， 2010，26（6-3）：150-151.

[9] 齐 平，陈 文.数据仓库和数据挖掘在农业辅助决策支持系统中的应用[J].铜陵学院学报，2011（4）：108-110.

[10] 徐俊丽，赵庆祯.农业结构优化决策支持系统的数据指标体系及数据仓库设计[J].农业现代化研究，2002，23（2）：121-123.

[11] 高 岩，吴顺丽，安浩平，等.基于数据仓库与数据挖掘的会计决策支持系统研究[J].河南科学，2011，29（2）：210-213.

设计选择星型雪花型模型，好处是建模简单，方便理解，可从多个维度分析数据。从图3中可以看出，星型雪花型模型的表构成有维表与事实表两种，用于查询的信息放在事实表中，维表可以继续扩展，成为维表和事实表的雪花型模型。经过分析处理，系统的数据仓库事实表主要包含养殖基本信息、养殖时间、养殖地区、投入成本、约束条件等。事实表下又含多个维表：①养殖维表，包括养殖种类、价格。可能出现的疾病、饲料等；②时间维表，包括年度、季度、月份等；③地区维表，包括地区名称、乡镇名称、气候等；④投入维表，包括水电费、医药费、饲料费、养殖机械费用及其他费用等；⑤约束条件维表，包括资源约束、社会需求约束、生态环境约束、行业关系约束等。其中养殖维表、地区维表等还可继续细分，如疾病维表、环境维表等。

2.3 系统设计

设计采用综合决策支持系统，是指新旧决策支持系统相结合。用于决策的数据存储在数据仓库中，可通过联机多维数据分析和处理；数据挖掘是寻找数据库与数据仓库中的知识；模型库可组合实现多个辅助决策广义模型；辅助决策的数据来自数据库；用户可以运用专家系统进行推理和分析。这样形成了综合决策支持系统，相互作用，各自的优势能够很好地辅助决策[4]。系统的结构见图4。

2.4 数据挖掘算法

大量的集成数据存储在数据仓库中，而从这些数据中挖掘有效和有用的信息进行预测与分析需多方面技术的进行协同。数据挖掘需要快速、有效的算法，下面给出一个算法：

1）采用聚类算法归纳整理数据。

2）数据集划分成样本集和修正集，样本集可列出模型的主要参数，修正集用来检验和校对模型的主要参数。

3）评价预测结果，同时修改或调整模型的主要参数。

这里给出灰色数列预测模型GM（1，1）[5]，模型是含一个变量的一阶微分方程。设原始数列X（t）={x（1），x（2），…，x（n）}，模型建立方法如下。

Y（t）：y（t）=■（进行一次累加生成列，弱化随机性，强化规律性）

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）+■（分离型微分方程特解）

■（t）=■（t-1）2334[（原始数列X（t）的估计值（t）数列）]

对数列（t）与X（t）进行拟合效果检验，如果两者拟合精度高，该模型可应用于外推预测；如果两者拟合精度较低，不可直接应用于外推预测，必须经过残差修正改进后才能进行外推预测。通过后验差比值、平均相对误差和小误差概率的检验，确定数列模型的可靠性，具体如下。

■=■[（■x（t）-x（t））]×100%（平均相对误差）

ε（t）=x（t）-■（t） （残差计算）

C=■（验差比值）

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

根据精度检验等级参照表，得到数列的拟合优度。如果外推预测拟合优度高，预测效果则满意，可按照下式外推预测：

■（t）=■（t）-■（t-1） t=n+1，n+2，…，n+m

图5展示的是通过灰色数列预测模型GM（1，1）得出的各地区畜禽养殖数量曲线图。图5中4条不同形状的曲线分别表示4段不同的时期，曲线变化表示各个地区养殖数量的同期对比，而数据点在纵轴上的变化情况则可以反映某个地区的养殖数量随时间的变化情况。图5中地区和时间的范围都是可选的，用户可以通过简单的点拉操作选取自己想要查看的地区、时期或者其他维度。图5中的数据还可以通过表格、柱状图、饼图等形式展示，满足不同用户的需求。

2.5 数据分析

设计数据分析采用Oracle11i作为目标数据仓库，运用Oracle与Warehouse Builde 2.1，实现操作型数据库的ETL（抽取、转换、装载）形成数据仓库。运用Borland Delphi开发前台，形成具有OLAP分析的功能[6]，决策树的分类和FP-树关联规则的挖掘功能[7]是自主开发的。

1）实现OLAP分析。Borland Delphi 5及以上版本中Decision-Cube控件组能够很好地支持OLAP分析，用户可运用BDE连接Oracle11i数据仓库，采用DecisionSource、DecisionCube、DecisionQue控件获得数据制作形成多维数据立方体，用DecisionGrap、DecisionGrid控件分析并显示结果，还可使用DecisionPivot控件来对数据进行切片、切块、上卷和下钻等。

2）实现数据挖掘。系统的数据挖掘模块完全是自主开发设计，分类与关联规则挖掘功能得到基本实现[8]。使用ADO存储和读取数据仓库中的数据，运用C++语言编写数据挖掘算法得到动态连接库dll文件。在Delphi前台界面上，用户可制定数据挖掘任务，定义能够完成该任务的数据集，然后通过数据挖掘算法的动态连接库方法的调用实行处理。现在通过规则的形式（if cl & c2 then r）的使用，给出系统中决策树分类和关联规则挖掘的结果[9]。

3 小结与讨论

要想建成决策的数据仓库必须具有巨大的数据量存储，而且要发挥其强大的作用必须具备高层决策分析工具，所以建设成本普遍较高。在畜禽养殖业中应用还要考虑相关的基础、社会需求和经济效益等问题，所以可先在某个特定的区域提取特征参数进行试验，掌握一定规律量后逐步走向实用。

伴随着社会的进步和大数据时代的到来，在大量数据中寻找可用的信息用于决策越来越重要[10]。畜禽养殖业类型众多、复杂，且疾病症状不断变化，具有大量繁杂的数据。传统的数据库系统无法解决原始数据精细提取和不同区域影响程度变化等问题。主要表现为过往的数据量庞大，牵扯各种各样信息系统的数据，而且这样的数据很难集成，对数据处理和访问的能力较低[11]。本研究运用数据仓库技术，根据畜禽养殖相关参数如养殖数量、市场价格及饲料量等，找出相应的数学函数，直观方式表现出来，为畜禽养殖决策提供技术基础，同时也为解决上述问题提供了新的思路，从技术上解决了问题。

参考文献：

[1] 沈春燕，马 波.数据仓库在渔业企业管理中的应用研究[J].管理实践，2007（12）：35-37.

[2] 彭朝海.基于数据仓库的决策支持系统[J].四川工业学院学报， 2003，22（3）：74-76.

[3] PAUL G H， WATSON J.数据仓库中的决策支持[M].北京：北京理工大学出版社，2001.

[4] 张 杰.数据仓库技术应用研究[J].电子技术与软件工程，2014（5）：192.

[5] 周学全，张志杰，张笃行，等.综合决策支持系统中数据挖掘功能的设计与实现[J].计算机测量与控制，2010，18（1）：161-163.

[6] 张家爱.数据挖掘技术在农业决策支持系统中的应用[J].吉林农业科技学院学报，2010，19（1）：56-57.

[7] 杨晓玲，张素伟，吴裕树，等.基于数据仓库的数据分析系统研究[J].山西电子技术，2002（5）：16-19.

[8] 李增祥.数据挖掘技术在农业生产中的应用[J].微计算机信息， 2010，26（6-3）：150-151.

[9] 齐 平，陈 文.数据仓库和数据挖掘在农业辅助决策支持系统中的应用[J].铜陵学院学报，2011（4）：108-110.

[10] 徐俊丽，赵庆祯.农业结构优化决策支持系统的数据指标体系及数据仓库设计[J].农业现代化研究，2002，23（2）：121-123.

[11] 高 岩，吴顺丽，安浩平，等.基于数据仓库与数据挖掘的会计决策支持系统研究[J].河南科学，2011，29（2）：210-213.